A New Approach for Soil Carbon and Nitrogen Assessment through Image Analysis: A Case Study with Oxisols and Inceptisols

Juliano Tiago Rinaldi; Dalcimar Casanova; Larissa Macedo dos Santos Tonial; Marcelo Teixeira; Heitor Silvério Lopes

doi:10.22456/2175-2745.143392

Authors

Juliano Tiago Rinaldi Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0002-2262-889X
Dalcimar Casanova Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0002-1905-4602
Larissa Macedo dos Santos Tonial Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0002-7046-0788
Marcelo Teixeira Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0002-1008-7838
Heitor Silvério Lopes Universidade Tecnológica Federal do Paraná (UTFPR) https://orcid.org/0000-0003-3984-1432

DOI:

https://doi.org/10.22456/2175-2745.143392

Keywords:

Soil, Carbon, Nitrogen, Transfer Learning, Deep Learning

Abstract

This paper presents a new method for predicting carbon and nitrogen content in Oxisols and Inceptisols soils using image analysis. The dataset comprises 40 Oxisols images and 51 Inceptisols images collected in southern Brazil. The images were segmented to isolate the soil area, resulting in the extraction of 12,744 windows. A pre-trained EfficientNetV2-S model was fine-tuned for regression, adding five layers at the end. The model was evaluated using RMSE and R² metrics. Two experiments were conducted: one predicting carbon and nitrogen content for each window and another predicting the median values of the windows for each soil sample. The results show that the median-based prediction significantly improved model performance, achieving an R² of 0.7425 for carbon and 0.7774 for nitrogen. This method offers a faster, non-destructive alternative to laboratory analysis for estimating soil carbon and nitrogen content, contributing to sustainable agricultural practices.

Downloads

Download data is not yet available.

Author Biographies

Juliano Tiago Rinaldi, Universidade Tecnológica Federal do Paraná (UTFPR)

Com profundo conhecimento técnico, se formou Engenheiro de Computação em 2011, e buscou complementação de negócios através de MBA em Estratégia de Negócios em 2016. Adquidiu em seus desafios, sólidas experiências em projetos de diversos portes e segmentos, consolidando algumas passagens com conquistas de certificações internacionais. Conta hoje com seus 17 anos de experiência na área de Software, atuando como Arquiteto de Software, DevOps & SRE.

Iniciou sua trajetória como desenvolvedor, explorando diversas linguagens de programação, destacando-se no cenário Web. Ao longo dos anos, adquiriu expertise com projetos desafiadores e de grande porte, desde a arquitetura até a construção de frameworks, otimização de performance, segurança da informação, integrações, escalabilidade de sistemas, prática ágeis, liderança (TechLead), DevOps & SRE, transformação digital, entre outros.

Na incursão do universo das Startups, teve sua "nano-empresa" incubada na aceleradora Softville em Joinville-SC em 2012, aprimorando competências em gestão administrativa, relacionamento & networking, financeira, marketing, foco no cliente, negociação, liderança, entre outros.
Sempre dedicado na melhoria contínua, atuou sempre junto ao propósito do cliente, demonstrando compartilhamento constante de conhecimento e aperfeiçoamento em seus projetos.

Como parte do compromisso com o desenvolvimento contínuo, atualmente cursa, e desenvolve projeto de conclusão do mestrado em Engenharia Elétrica na UTFPR, ênfase em Machine Learning, no objetivo de compreender a relação de dados para identificação de padrões, classificação e regressão.

Dalcimar Casanova, Universidade Tecnológica Federal do Paraná (UTFPR)

Possui bacharelado em Ciência da Computação pela Universidade do Oeste de Santa Catarina UNOESC (2005), mestrado em Ciências de Computação e Matemática Computacional pelo Instituto de Ciências Matemáticas e de Computação ICMC-USP (2008)(CAPES 7), doutorando em Física Computacional pelo Instituto de Física de São Carlos IFSC-USP (2013)(CAPES 7) e pós-doutorando no Instituto de Física de São Carlos IFSC-USP(2015). Atualmente é professor na Universidade Tecnológica Federal do Paraná UTFPR. Tem experiência nas áreas de Ciência da Computação, Física Computacional e aplicações em áreas multidisciplinares, atuando principalmente nos seguintes temas: visão computacional, redes complexas, fractais, aprendizado de máquina e bioinformática.

Larissa Macedo dos Santos Tonial, Universidade Tecnológica Federal do Paraná (UTFPR)

Possui graduação em Licenciatura em Química pela Universidade Estadual de Ponta Grossa(2003), mestrado em Ciências pela Universidade de São Paulo-Instituto de Química de São Carlos(2006), doutorado em Química Analítica pela Universidade Federal de São Carlos(2010) e curso-tecnico-profissionalizante em Técnico em Alimentos pela Universidade Tecnológica Federal do Paraná(1998). Atualmente é Membro Colegiado do Curso Química da Universidade Tecnológica Federal do Paraná, Professor Assistente da Universidade Tecnológica Federal do Paraná, Membro NDE - Agronomia da Universidade Tecnológica Federal do Paraná, Membro NDE - Química da Universidade Tecnológica Federal do Paraná, Professora Responsável Atividade de Estágio da Universidade Tecnológica Federal do Paraná, Revisor de periódico da Acta Scientiarum. Agronomy (Impresso), Revisor de periódico da Acta Scientiarum. Agronomy (Online), Membro de corpo editorial da Applied and Environmental Soil Science, Revisor de periódico da Ciência Rural, Revisor de periódico da Soil Science Society of America Journal, Revisor de periódico da Journal of the Brazilian Chemical Society (Online), Revisor de periódico da Journal of the Brazilian Chemical Society (Impresso), Revisor de periódico da Revista Brasileira de Ciência do Solo (Impresso) e Revisor de periódico da REVISTA VIRTUAL DE QUÍMICA. Tem experiência na área de Química. Atuando principalmente nos seguintes temas:Química do Solo, Preparo de Amostras, Metais Pesados, Lodo de Esgoto, Fracionamento Químico.

Marcelo Teixeira, Universidade Tecnológica Federal do Paraná (UTFPR)

Possui graduação em Ciência da Computação pela Universidade de Passo Fundo (2007), mestrado em Engenharia de Computação pela Universidade de Pernambuco (2009) e doutorado em Engenharia de Automação e Sistemas, pela Universidade Federal de Santa Catarina (2013). Desde 2013 é professor Adjunto da Universidade Tecnológica Federal do Paraná - UTFPR - campus Pato Branco, onde atua como docente permanente do Programa de Pós-Graduação em Engenharia Elétrica e de Computação - PPGEEC. Fez estágio de doutorado no Grupo de Pesquisas em Métodos Formais, da Universidade de Waikato, na Nova Zelândia, em 2012, e foi pesquisador visitante no mesmo grupo, em 2018. Desde 2020 é Bolsista de Produtividade em Pesquisas, do CNPq. Possui interesses de pesquisa e de formação nas áreas da Engenharia Elétrica e de Computação, sobretudo nos seguintes temas: Sistemas a Eventos Discretos, Sistemas Cyber-Físicos, Sistemas Flexíveis de Manufatura, Indústria 4.0, Inteligência Aplicada, Mineração de Processos e Dependabilidade de Software. É membro da IEEE desde 2016, onde participa da Industrial Electronic Society (IES), Technical Committee on Factory Automation, Subcommittee Industrial Automated Systems and Control.

Heitor Silvério Lopes, Universidade Tecnológica Federal do Paraná (UTFPR)

Heitor Silvério Lopes é graduado em Engenharia Eletrônica (UTFPR, 1984), mestre em Ciências na área de Engenharia Biomédica (UTFPR, 1990) e doutor em Engenharia Elétrica na área de Sistemas de Informação (UFSC, 1996). Durane o ano de 2014 foi pesquisador visitante no Departamento de Engenharia Elétrica e Ciência da Computação da Universidade do Tennessee, EUA. Atualmente é Professor Titular da Universidade Tecnológica Federal do Paraná (câmpus Curitiba), foi bolsista de produtividade em pesquisa nível 2 do CNPq (2003-2022), membro do Comitê Assessor da área de Ciências Exatas da Fundação Araucária, sócio-fundador e Presidente (2 mandatos) da Sociedade Brasileira de Inteligência Computacional (SBIC). Também foi consultor ad-hoc da FAPERJ, FINEP e Agencia Nacional de Promoción Científica y Tecnológica (Argentina), bem como membro do corpo editorial de diversos periódicos nacionais e internacionais. É membro permanente do steering commitee do IEEE Latin-American Conference on Computational Intelligence, e co-editor do periódico Learning Nonlinear Models. Nos últimos anos tem atuado como revisor de 13 periódicos nacionais e internacionais, bem como na organização, comitê de programa e/ou revisor de mais de 80 eventos nacionais e internacionais. Publicou 108 artigos em periódicos especializados, 195 artigos completos e 18 resumos em anais de eventos científicos nacionais e internacionais, 38 capítulos de livros e editou 8 livros. Possui 3 produtos tecnológicos, 11 softwares e outros 11 itens de produção técnica. Concluiu a orientação de 15 teses de doutorado (sendo 1 coorientação), 48 dissertações de mestrado (sendo 7 coorientações), 14 monografias de especialização, 30 trabalhos de iniciação científica e 15 trabalhos de conclusão de curso nas áreas de Engenharia da Computação e Engenharia Eletrônica. Atualmente tem 2 orientandos de IC, 3 orientandos de TCC, 4 orientandos de Mestrado, bem como 4 orientandos de Doutorado. Entre 1989 e 2023 coordenou 14 projetos de pesquisa, e atualmente coordena outros 4 projetos com financiamento do CNPq, FINEP ou empresas privadas. Atua na área de Ciência da Computação, com ênfase em Inteligência Computacional, Visão Computacional, Mineração de Dados e Computação Evolucionária. Anteriormente, atuou também nas áreas de Bioinformática e Engenharia Biomédica. Em suas atividades profissionais interagiu com 261 colaboradores em co-autorias de trabalhos científicos. ORCID: 0000-0003-3984-1432; ResearcherID: C-4110-2013.

References

SILVA, F. M. et al. Using proximal sensors to assess pedogenetic development of inceptisols and oxisols in Brazil. Geoderma Regional, v. 28, p. e00465, 2022. ISSN 2352-0094. Disponível em: ⟨https://bit.ly/3zZKkYL⟩.

SKORUPA, A. L. et al. Similar soils but different soil-forming factors: Converging evolution of inceptisols in Brazil. Pedosphere, v. 27, n. 4, p. 747–757, 2017. ISSN 1002-0160. Disponível em: ⟨https://bit.ly/3Yw8tyr⟩.

GONÇALVES, T. D.; LOHE, C.; CAMPOS, J. E. G. Hydraulic characterization from porous aquifers of the Brazilian Federal District. Brazilian Journal of Geology, SciELO, v. 45, n. 2, p. 259–271, 2015. Disponível em: ⟨https://bit.ly/3BPIlqn⟩.

PINTO, L. C. et al. Role of inceptisols in the hydrology of mountainous catchments in southeastern Brazil. Journal of Hydrologic Engineering, v. 21, n. 2, p. 05015017, 2016. Disponível em: ⟨https://bit.ly/3NvHY6U⟩.

FONTANA, A.; BALIEIRO, F. de C.; PEREIRA, M. G. Classes de solos do Brasil: Sistema Brasileiro de Classificação de Solos. [S.l.]: Embrapa Solos & UFRRJ, 2020.

SCIENTIFICA, V. Carbon and Nitrogen Analysis in Soil for Sustainable Agriculture and Farming. 2021. Disponível em: ⟨https://bit.ly/3LKacdh⟩.

MORAIS, P. A. d. O. et al. Avaliando a fertilidade do solo com imagens digitais. Revista Processos Químicos, v. 14, n. 27, p. 9–16, set. 2020. Disponível em: ⟨https://bit.ly/40sduL1⟩.

AI, X. et al. Prediction of soil organic carbon content using machine learning based fuzzy c-means clustering. In: 2024 Third International Conference on Distributed Computing and Electrical Circuits and Electronics (ICDCECE). [s.n.], 2024. p. 1–4. Disponível em: ⟨https://bit.ly/4dk9HCl⟩.

BARRA, I.; MOATASSEM, T. E.; KEBEDE, F. Soil particle size thresholds in soil spectroscopy and its effect on the multivariate models for the analysis of soil properties. Sensors, v. 23, n. 22, 2023. ISSN 1424-8220. Disponível em: ⟨https://bit.ly/4iP11rt⟩.

TUDOCELULAR. Ficha técnica do Samsung Galaxy J4 Plus. Acessado Dez. 2024. Disponível em: ⟨https://bit.ly/3BB9Kg4⟩.

GOOGLEPLAY. Aplicativo Open Camera. Acessado Dez. 2024. Disponível em: ⟨https://bit.ly/3P5uAao⟩.

GORDON, D. C.; SUTCLIFFE, W. H. A new dry combustion method for the simultaneous determination of total organic carbon and nitrogen in seawater. Marine Chemistry, v. 1, n. 3, p. 231–244, 1973. ISSN 0304-4203. Disponível em: ⟨https://bit.ly/3Ufdee6⟩.

DENG, J. et al. Imagenet: A large-scale hierarchical image database. In: 2009 IEEE Conference on Computer Vision and Pattern Recognition. [s.n.], 2009. p. 248–255. Disponível em: ⟨https://bit.ly/4dPew6D⟩.

GUTOSKI, M. et al. A comparative study of transfer learning approaches for video anomaly detection. International Journal of Pattern Recognition and Artificial Intelligence, v. 35, n. 05, p. 2152003, 2021. Disponível em: ⟨https://bit.ly/3YtUJW7⟩.

AQUINO, M. R. et al. A study of the influence of data complexity and similarity on soft biometrics classification performance in a transfer learning scenario. Learning and Nonlinear Models, v. 18, p. 56–65, 06 2021. Disponível em: ⟨https://bit.ly/40aoTPs⟩.

KUMAR, A. Hold-out method for training machine learning models. 2022. Disponível em: ⟨https://bit.ly/3LP0KFm⟩.

CHAI, T.; DRAXLER, R. R. Root mean square error (rmse) or mean absolute error (mae)? – arguments against avoiding rmse in the literature. Geoscientific Model Development, v. 7, p. 1247–1250, 2014. Disponível em: ⟨https://bit.ly/4doeL8O⟩.

KVÅLSETH, T. O. Cautionary note about r 2. The American Statistician, ASA Website, v. 39, n. 4, p. 279–285, 1985. Disponível em: ⟨https://bit.ly/4d1wR0y⟩.