MODELAGEM ESPACIAL DA DISTRIBUIÇÃO DO PH DO SOLO BASEADA EM APRENDIZADO DE MÁQUINA E VARIÁVEIS GEOMORFOMÉTRICAS DERIVADAS DE LIDAR
"2025-09-12 08:54:41" // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php
App\Base\Administrativo\Model\Artigo {#1845 // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php #connection: "mysql" +table: "artigo" #primaryKey: "id" #keyType: "int" +incrementing: true #with: [] #withCount: [] +preventsLazyLoading: false #perPage: 15 +exists: true +wasRecentlyCreated: false #escapeWhenCastingToString: false #attributes: array:35 [ "id" => 123301 "edicao_id" => 432 "trabalho_id" => 135 "inscrito_id" => 724 "titulo" => "MODELAGEM ESPACIAL DA DISTRIBUIÇÃO DO PH DO SOLO BASEADA EM APRENDIZADO DE MÁQUINA E VARIÁVEIS GEOMORFOMÉTRICAS DERIVADAS DE LIDAR" "resumo" => "A relação solo-relevo desempenha um papel fundamental na distribuição espacial dos solos e suas propriedades, incluindo valores de pH. Avanços tecnológicos recentes têm possibilitado a obtenção de dados de alta resolução para estudos ambientais, sendo o Light Detection and Ranging (LiDAR) uma técnica poderosa para a análise detalhada das paisagens. Conjuntamente, o uso de algoritmos de aprendizado de máquina tem se mostrado uma abordagem promissora para a predição de atributos do solo, permitindo maior precisão e escalabilidade na modelagem espacial. Neste estudo, realizamos uma modelagem espacial da distribuição dos valores de pH em horizontes superficiais (0 - 20 cm) utilizando técnicas de aprendizado de máquina, em um assentamento rural no semiárido do Rio Grande do Norte. Foram testados os algoritmos Random Forest (RF), Cubist, Support Vector Machine (SVM) e Gradient Boosting Machines (GBM), avaliando-se a performance de cada modelo por meio do coeficiente de determinação (R²), erro médio absoluto (MAE) e raiz do erro quadrático médio (RMSE). Para o treinamento dos modelos foram coletadas amostras de solo da área de estudo, com amostragem baseada no método do Hipercubo Latino Condicionado, nas quais o pH foi quantificado. Como covariáveis preditoras, utilizamos 17 variáveis geomorfométricas derivadas de um levantamento utilizando a técnica LiDAR. A importância relativa das covariáveis na modelagem também foi avaliada. Com base nos resultados obtidos, os mapas de distribuição dos valores de pH foram gerados, juntamente com mapas de desvio padrão das predições para indicar a incerteza associada. O modelo gerado pelo algoritmo Cubist apresentou a melhor performance entre os algoritmos testados, com R² = 0.34, MAE = 0.46 e RMSE = 0.57. As cinco covariáveis geomorfométricas mais importantes para a predição do pH dos solos foram identificadas na seguinte ordem: Índice Multi-resolução de Planicidade de Fundos de Vale, Modelo Digital de Terreno, Altura Padronizada, Índice de Umidade Topográfica e Índice de Rugosidade do Terreno. Os resultados indicam que os valores mais elevados de pH estão associados a áreas de acumulação, geralmente localizadas em regiões mais baixas da paisagem, enquanto os menores valores foram encontrados em encostas mais íngremes e suas adjacências. O mapa de desvio padrão revelou maior incerteza nas regiões de pH elevado, sugerindo maior variabilidade nessas áreas. Apesar do valor relativamente baixo de R², os padrões espaciais representados nos mapas foram coerentes com as observações em campo e os dados laboratoriais. Estes resultados destacam a relevância da geomorfometria na predição do pH do solo e reforçam o potencial das técnicas de aprendizado de máquina para aprimorar a modelagem de atributos de solos em escala espacial, além de sua contribuição na delimitação de unidades de mapeamento de mapas de solos." "modalidade" => "Pôster (PO)" "area_tematica" => "GT 01 - Intemperismo, solos e paisagem" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV217_ID724_TB135_26072025195710.pdf" "created_at" => "2025-09-15 11:26:50" "updated_at" => null "ativo" => 1 "autor_nome" => "RONE JOSÉ DOS SANTOS COSTA" "autor_nome_curto" => "RONE JOSÉ" "autor_email" => "rone.jose.costa.018@ufrn.edu.br" "autor_ies" => "UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE (UFRN)" "autor_imagem" => "" "edicao_url" => "anais-do-xv-simposio-nacional-de-geomorfologia" "edicao_nome" => "Anais do XV SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_evento" => "SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_ano" => 2025 "edicao_pasta" => "anais/sinageo/2025" "edicao_logo" => null "edicao_capa" => "68c4605097155_12092025150256.png" "data_publicacao" => null "edicao_publicada_em" => "2025-09-12 08:54:41" "publicacao_id" => 130 "publicacao_nome" => "Revista SINAGEO" "publicacao_codigo" => "978-65-5222-055-4" "tipo_codigo_id" => 2 "tipo_codigo_nome" => "ISBN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #original: array:35 [ "id" => 123301 "edicao_id" => 432 "trabalho_id" => 135 "inscrito_id" => 724 "titulo" => "MODELAGEM ESPACIAL DA DISTRIBUIÇÃO DO PH DO SOLO BASEADA EM APRENDIZADO DE MÁQUINA E VARIÁVEIS GEOMORFOMÉTRICAS DERIVADAS DE LIDAR" "resumo" => "A relação solo-relevo desempenha um papel fundamental na distribuição espacial dos solos e suas propriedades, incluindo valores de pH. Avanços tecnológicos recentes têm possibilitado a obtenção de dados de alta resolução para estudos ambientais, sendo o Light Detection and Ranging (LiDAR) uma técnica poderosa para a análise detalhada das paisagens. Conjuntamente, o uso de algoritmos de aprendizado de máquina tem se mostrado uma abordagem promissora para a predição de atributos do solo, permitindo maior precisão e escalabilidade na modelagem espacial. Neste estudo, realizamos uma modelagem espacial da distribuição dos valores de pH em horizontes superficiais (0 - 20 cm) utilizando técnicas de aprendizado de máquina, em um assentamento rural no semiárido do Rio Grande do Norte. Foram testados os algoritmos Random Forest (RF), Cubist, Support Vector Machine (SVM) e Gradient Boosting Machines (GBM), avaliando-se a performance de cada modelo por meio do coeficiente de determinação (R²), erro médio absoluto (MAE) e raiz do erro quadrático médio (RMSE). Para o treinamento dos modelos foram coletadas amostras de solo da área de estudo, com amostragem baseada no método do Hipercubo Latino Condicionado, nas quais o pH foi quantificado. Como covariáveis preditoras, utilizamos 17 variáveis geomorfométricas derivadas de um levantamento utilizando a técnica LiDAR. A importância relativa das covariáveis na modelagem também foi avaliada. Com base nos resultados obtidos, os mapas de distribuição dos valores de pH foram gerados, juntamente com mapas de desvio padrão das predições para indicar a incerteza associada. O modelo gerado pelo algoritmo Cubist apresentou a melhor performance entre os algoritmos testados, com R² = 0.34, MAE = 0.46 e RMSE = 0.57. As cinco covariáveis geomorfométricas mais importantes para a predição do pH dos solos foram identificadas na seguinte ordem: Índice Multi-resolução de Planicidade de Fundos de Vale, Modelo Digital de Terreno, Altura Padronizada, Índice de Umidade Topográfica e Índice de Rugosidade do Terreno. Os resultados indicam que os valores mais elevados de pH estão associados a áreas de acumulação, geralmente localizadas em regiões mais baixas da paisagem, enquanto os menores valores foram encontrados em encostas mais íngremes e suas adjacências. O mapa de desvio padrão revelou maior incerteza nas regiões de pH elevado, sugerindo maior variabilidade nessas áreas. Apesar do valor relativamente baixo de R², os padrões espaciais representados nos mapas foram coerentes com as observações em campo e os dados laboratoriais. Estes resultados destacam a relevância da geomorfometria na predição do pH do solo e reforçam o potencial das técnicas de aprendizado de máquina para aprimorar a modelagem de atributos de solos em escala espacial, além de sua contribuição na delimitação de unidades de mapeamento de mapas de solos." "modalidade" => "Pôster (PO)" "area_tematica" => "GT 01 - Intemperismo, solos e paisagem" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV217_ID724_TB135_26072025195710.pdf" "created_at" => "2025-09-15 11:26:50" "updated_at" => null "ativo" => 1 "autor_nome" => "RONE JOSÉ DOS SANTOS COSTA" "autor_nome_curto" => "RONE JOSÉ" "autor_email" => "rone.jose.costa.018@ufrn.edu.br" "autor_ies" => "UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE (UFRN)" "autor_imagem" => "" "edicao_url" => "anais-do-xv-simposio-nacional-de-geomorfologia" "edicao_nome" => "Anais do XV SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_evento" => "SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_ano" => 2025 "edicao_pasta" => "anais/sinageo/2025" "edicao_logo" => null "edicao_capa" => "68c4605097155_12092025150256.png" "data_publicacao" => null "edicao_publicada_em" => "2025-09-12 08:54:41" "publicacao_id" => 130 "publicacao_nome" => "Revista SINAGEO" "publicacao_codigo" => "978-65-5222-055-4" "tipo_codigo_id" => 2 "tipo_codigo_nome" => "ISBN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #changes: [] #casts: array:14 [ "id" => "integer" "edicao_id" => "integer" "trabalho_id" => "integer" "inscrito_id" => "integer" "titulo" => "string" "resumo" => "string" "modalidade" => "string" "area_tematica" => "string" "palavra_chave" => "string" "idioma" => "string" "arquivo" => "string" "created_at" => "datetime" "updated_at" => "datetime" "ativo" => "boolean" ] #classCastCache: [] #attributeCastCache: [] #dates: [] #dateFormat: null #appends: [] #dispatchesEvents: [] #observables: [] #relations: [] #touches: [] +timestamps: false #hidden: [] #visible: [] +fillable: array:13 [ 0 => "edicao_id" 1 => "trabalho_id" 2 => "inscrito_id" 3 => "titulo" 4 => "resumo" 5 => "modalidade" 6 => "area_tematica" 7 => "palavra_chave" 8 => "idioma" 9 => "arquivo" 10 => "created_at" 11 => "updated_at" 12 => "ativo" ] #guarded: array:1 [ 0 => "*" ] }