Dinâmica do carbono e recuperação da qualidade física do solo em sistemas soja-algodão sob plantio direto regenerativo: diagnóstico de débitos de carbono e predição de atributos físico‑químicos por sensoriamento proximal e aprendizado de máquina
carbono orgânico, agricultura regenerativa, pXRF, Vis-NIR, FTIR, machine learning, POC, MAOC, débito de carbono
A intensificação de sistemas soja‑algodão no Cerrado tem resultado em déficits expressivos de carbono do solo e degradação de atributos físicos, comprometendo a sustentabilidade produtiva e ambiental desses sistemas. Embora o plantio direto regenerativo seja apontado como estratégia promissora para reverter esse quadro, ainda há lacunas quanto à sua capacidade de restaurar, ao longo do perfil do solo, as diferentes frações da matéria orgânica e suas relações com a qualidade física. Além disso, a limitação de métodos convencionais de análise dificulta o monitoramento em escala e alta resolução espacial desses processos. Diante desse contexto, esta tese teve como objetivo diagnosticar os déficits de carbono total e de suas frações (POC e MAOC) em sistemas sob diferentes tempos de adoção do manejo regenerativo, bem como avaliar a recuperação de atributos físicos do solo associados. Adicionalmente, buscou-se desenvolver e validar modelos baseadas em sensoriamento proximal (pXRF, Vis‑NIR e FTIR), integradas a algoritmos de aprendizado de máquina, para a predição de atributos físico‑químicos e da dinâmica do carbono. Essa abordagem permite não apenas compreender os limites e trajetórias da recuperação da qualidade do solo em sistemas regenerativos, mas também estabelecer bases operacionais para o monitoramento em larga escala, conectando processos biogeoquímicos a ferramentas de diagnóstico rápido e aplicável em condições tropicais.