Estimativa e distribuição espacial do teor de carbono orgânico do solo em áreas agrícolas usando tecnologia de sensoriamento remoto hiperespectral por veículo aéreo não tripulado

Por que o carbono em nosso solo importa

O solo é bem mais do que a terra sob nossos pés. Ele armazena grandes quantidades de carbono, alimenta nossas culturas e ajuda a amortecer as mudanças climáticas ao absorver dióxido de carbono da atmosfera. Mas a quantidade de carbono orgânico no solo pode variar rapidamente de uma parte do campo para outra, e os testes laboratoriais tradicionais são lentos e caros. Este estudo explora uma forma mais rápida e de alta tecnologia de “ver” o carbono orgânico do solo a partir do alto, usando drones pequenos equipados com câmeras hiperespectrais, oferecendo a agricultores e cientistas uma nova ferramenta poderosa para gerir a terra e o clima.

Câmeras voando sobre os campos

Os pesquisadores trabalharam em três áreas agrícolas da bacia do rio Huangshui, na província de Qinghai, China, uma região com diferentes tipos de solo, culturas e práticas agrícolas. Eles utilizaram um drone multirrotor carregando uma câmera hiperespectral que mede a luz em 150 bandas estreitas, do visível ao infravermelho próximo. Voando a cerca de 150 metros em dias claros e calmos, o drone coletou imagens muito detalhadas, com cada pixel representando menos de cinco centímetros no solo. Essas imagens capturam diferenças sutis em como o solo reflete a luz que se relacionam com a quantidade de carbono orgânico que o solo contém.

Escavando, testando e correlacionando com a verdade de campo

Para verificar o que o drone estava observando, a equipe coletou 296 amostras de solo nos três campos usando um padrão de grade e controle cuidadoso de profundidade (0–20 centímetros, onde o carbono muda mais). No laboratório, eles removeram pedras e fragmentos de plantas, moeram finamente o solo e usaram um analisador elementar para medir o teor de carbono orgânico com precisão. Também mediram espectros do solo em ambiente interno com um espectrômetro preciso e então ajustaram esses espectros para corresponder à faixa de comprimento de onda e à resolução do sensor aéreo. Isso permitiu associar medidas exatas de carbono do laboratório a assinaturas espectrais correspondentes, tanto de instrumentos de campo quanto das imagens aerotransportadas.

Limpeza do sinal e treinamento do modelo

Dados espectrais brutos podem ser confusos porque muitos fatores além do carbono — como umidade do solo, rugosidade da superfície e tamanho de partículas — afetam a reflexão da luz. Para lidar com isso, os pesquisadores testaram sete tratamentos matemáticos diferentes dos espectros. A melhor abordagem combinou um método chamado correção multiplicativa de espalhamento, que reduz distorções de brilho, com uma operação de primeira derivada, que destaca pequenas depressões e picos nas curvas. Essa combinação produziu a ligação mais forte entre características espectrais e carbono do solo. Em seguida, compararam cinco métodos de modelagem, desde equações lineares simples até técnicas avançadas de aprendizado de máquina. O modelo de random forest, que constrói muitas árvores de decisão e as média, desempenhou claramente melhor, explicando cerca de 90% da variação no carbono orgânico do solo e alcançando alta qualidade de predição.

Convertendo luz em mapas detalhados do solo

Com o melhor tratamento espectral e o modelo random forest em mãos, a equipe aplicou sua abordagem às imagens completas do drone para criar mapas detalhados do carbono orgânico do solo em cada campo. O modelo destacou bandas de cor específicas como mais importantes, especialmente na faixa visível (onde solos mais escuros geralmente indicam mais carbono) e no infravermelho próximo (onde matéria orgânica afeta a absorção de luz). Os mapas resultantes mostraram padrões claros: um campo dominado por níveis elevados de carbono, outro por níveis médios e o terceiro principalmente por níveis mais baixos. Quando os pesquisadores compararam as estimativas baseadas no drone nos pontos amostrados com as medições laboratoriais, a correspondência foi forte, confirmando que os mapas eram confiáveis.

O que isso significa para agricultura e clima

Em termos simples, este estudo mostra que um drone com uma câmera inteligente e um modelo bem treinado pode criar rapidamente mapas precisos e de alta resolução do carbono orgânico do solo, em vez de depender apenas de amostragem demorada e trabalhos de laboratório. Agricultores e gestores de terra poderiam usar tais mapas para direcionar adubação e manejo de resíduos, proteger áreas em risco de perda de carbono e monitorar como a saúde do solo muda ao longo do tempo. Embora o método ainda enfrente desafios — como sensibilidade à umidade do solo, resíduos de superfície e variações de luz — ele aponta para um futuro em que monitorar a riqueza de carbono sob nossos campos se torne mais rápido, mais barato e muito mais detalhado, ajudando tanto a produção de alimentos quanto metas climáticas.

Citação: Song, Q., Zhang, W. Estimation and spatial distribution of soil organic carbon content in farmland using unmanned aerial vehicle hyperspectral remote sensing technology. Sci Rep 16, 5480 (2026). https://doi.org/10.1038/s41598-026-35096-2

Palavras-chave: carbono orgânico do solo, UAV hiperespectral, agricultura de precisão, mapeamento do solo, sensoriamento remoto