O Repositório Institucional da Universidade Federal Rural da Amazônia (RIUFRA) é um dispositivo de armazenamento e disseminação das obras intelectuais da UFRA, produzidas no âmbito das atividades de pesquisa, ensino e extensão da instituição. É composto de documentos em formato digital, provenientes das atividades desenvolvidas pelo corpo docente, discente e técnico-administrativo da UFRA e por obras elaboradas a partir de convênio ou colaboração entre a instituição e outros órgãos publicados em autoria e/ou coautoria.
Please use this identifier to cite or link to this item:
http://repositorio.ufra.edu.br/jspui/handle/123456789/2023| Title: | Mapeamento pedológico digital e uso de algoritmos de aprendizado de máquina em Tracuateua, Pará. |
| Advisor: | SILVA JÚNIOR, João Fernandes da |
| Authors: | FARIAS, Fabrício do Carmo |
| Keywords: | Pedometria Inteligência artificial Scorpan Manejo sustentável do solo Dados legados Solo - Manejo sustentável Algoritmo Artificial intelligence Sustainable soil management Legacy data |
| Issue Date: | 2023-08-01 |
| Publisher: | UFRA/Campus Belém |
| Citation: | FARIAS, Fabrício do Carmo. Mapeamento pedológico digital e uso de algoritmos de aprendizado de máquina em Tracuateua, Pará. Orientador: Prof. Dr. João Fernandes da Silva Júnior. 2023. 94 f. Dissertação (Mestrado em Agronomia) - Universidade Federal Rural da Amazônia, Belém, 2023. Disponível em: http://repositorio.ufra.edu.br/jspui/handle/123456789/2023. Acesso em: . |
| Resumo: | A necessidade de mapeamento de solos é contínua. Porém, o método tradicional não permite uma execução rápida e econômica. Logo, o Mapeamento Digital de Solos (MDS) é capaz de melhorar esse processo ao espacializar o solo com o uso de modelos que quantificam a variabilidade espacial. Nesta perspectiva, o objetivo deste estudo foi realizar o MDS da cidade de Tracuateua, no Norte do Brasil, avaliando o desempenho de algoritmos de aprendizado de máquina, utilizando um conjunto de atributos derivados do Modelo Digital de Elevação (MDE), imagens de satélite e dados legados como parâmetros de entrada. Foram selecionados aleatoriamente 244 pixels, distribuídos em nove Unidades de Mapeamento (UM), onde foram realizadas prospecção em campo, com a finalidade de evitar zonas de transição e confirmar dados de treinamento. Os dados foram organizados e processados em software QGIS, que é um Sistema de Informação Geográfica (SIG) e linguagem de programação R. O MDE derivou as covariáveis preditoras e posteriormente selecionadas as significativas pelo Recursive Feature Elimination (RFE), função do pacote caret. A avaliação do desempenho dos algoritmos foi realizada por meio da matriz de confusão, do índice Kappa e acurácia global. Os algoritmos Random Forest, Ranger e C5.0 foram considerados moderados ao mapear os solos da área de estudo, sendo o Ranger com o melhor desempenho no mapeamento pedológico em Tracuateua, no nordeste paraense; tanto na etapa de modelagem com índice Kappa de 0,71 e acurácia global de 0,74, quanto na comparação com o mapa convencional (referência), com resultados de índice Kappa global 0,49 e acurácia global de 0,56. O algoritmo Artificial Neural Networks (ANN) apresentou os menores resultados na modelagem, com índice Kappa de 0,14 e acurácia de 0,26 e na comparação com o mapa de referência, tendo o índice Kappa global 0,35 e acurácia global de 0,48. Os algoritmos de árvore de decisão (Ranger, RF e C5.0) mostraram potencial moderado para o mapeamento digital de solos em escala de 1:100.000 no município de Tracuateua, no nordeste paraense. |
| Abstract: | The need for soil mapping is continuous. However, the traditional method does not allow for a quick and economical execution. Therefore, Digital Soil Mapping (DSM) is able to improve this process by spatializing the soil using models that quantify spatial variability. In this perspective, the objective of this study was to carry out the DSM of the city of Tracuateua, in the North of Brazil, evaluating the performance of machine learning algorithms, using a set of attributes derived from the Digital Elevation Model (DEM), satellite images and legacy data as input parameters. 244 pixels were randomly selected, distributed in nine Mapping Units (MU), where field prospecting was carried out, in order to avoid transition zones and confirm training data. The data were organized and processed in QGIS software, which is a Geographic Information System (SIG) and R programming language. The DEM derived the predictive covariates and subsequently selected the significant ones by the Recursive Feature Elimination (RFE), function of the caret package. The evaluation of the performance of the algorithms was performed using the confusion matrix, the Kappa index and global accuracy. The Random Forest, Ranger and C5.0 algorithms were considered moderate when mapping the soils of the study area, with Ranger having the best performance in pedological mapping in Tracuateua, in the northeast of Pará; both in the modeling stage with a Kappa index of 0.71 and global accuracy of 0.74, and in the comparison with the conventional map (reference), with results of a global Kappa index of 0.49 and global accuracy of 0.56. The Artificial Neural Networks (ANN) algorithm presented the lowest results in the modeling, with a Kappa index of 0.14 and accuracy of 0.26 and in comparison, with the reference map, with a global Kappa index of 0.35 and global accuracy of 0.48. Decision tree algorithms (Ranger, RF and C5.0) showed moderate potential for digital soil mapping at a scale of 1:100,000 in the municipality of Tracuateua, in northeastern Pará. |
| URI: | http://repositorio.ufra.edu.br/jspui/handle/123456789/2023 |
| Appears in Collections: | Dissertações - Agronomia |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MAPEAMENTO PEDOLÓGICO DIGITAL E USO DE ALGORITMOS....pdf | 6,86 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
