PREDIÇAO ESPACIAL DE AREIA TOTAL ATRAVES DE MACHINE LEARNING - ESTUDO DE CASO PROJETOSALITRE, BAHIA

Aug 3, 2026

Carregar por Violet

Modelos preditivos para produção de mapas de solo otimizam a obtenção e o fornecimento de informações sobre a distribuição espacial de atributos físicos e químicos, incluindo suas classes, apoiando o uso mais racional do recurso natural. O trabalho comparou dois modelos de machine learning, Regressão Linear Múltipla (RLM) e Random Forest (RF), para prever a fração de areia total do solo. Foram usadas 399 amostras da camada superficial (0-20 cm), com treinamento e validação em R/RStudio, e elaboração final dos mapas no QGIS. A avaliação por R², RMSE, ME, MAE e MSE indicou melhor acurácia do RF e maior similaridade com medições de campo.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas1

Tempo de leitura2 min

AcessoDownload gratuito

Índice

Objetivo e contexto

Comparação dos modelos (RLM vs RF)

Dados e processamento (0-20 cm)

Métricas de avaliação

Resultados e conclusão

ID: 1206 Área: Divisão 1 – Solo no espaço e no tempo: Comissão 1.3-Pedometria Título: PREDIÇAO ESPACIAL DE AREIA TOTAL ATRAVES DE MACHINE LEARNING: ESTUDO DE CASO PROJETOSALITRE, BAHIA Autores: SALDANHA, G D R (UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO, SEROPÉDICA, RJ, Brasil), PINHEIRO, H S K (UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO, SEROPÉDICA, RJ, Brasil), CARVALHO JUNIOR, W (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - SOLOS, RIO DE JANEIRO, RJ, Brasil), CHAGAS, C D S (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA-SOLOS, RIO DE JANEIRO, RJ, Brasil), RODRIGUES, N B (UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO, SEROPÉDICA, RJ, Brasil), RAMOS, E E C (UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO, SEROPÉDICA, RJ, Brasil), GUIMARÃES, L DD (INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO MATO GROSSO-CAMPO NOVO DOPARECIS, CAMPO NOVO DO PARECIS, MT, Brasil) Resumo: O uso de modelos preditivos para a produção de mapas de solo otimiza a obtenção e fornecimento deinformações quanto a distribuição espacial de atributos físicos e químicos, assim como suas classes, dando suporte a um uso mais racional desse recurso natural. Nesse contexto, o objetivo do trabalho foi comparar dois modelos de machine-learning, Regressão Linear Múltipla (RLM) e Random Forest (RF), para a predição da distribuição da fração areia total do solo. Para isso, foram utilizadas 399 amostras da camada superficial do solo (0-20cm), coletadas em área pertencente ao Projeto de Irrigação Salitre, no municípiode Juazeiro (BA) . As amostras foram subdivididas para que fossem realizados os procedimentos estatísticos de treinamento e validação dos modelos, pelos softwares R e RStudio, e o layout final dos mapas foram feitos no software QGIS. Os parâmetros utilizados para comparação dos modelos foram coeficiente dedeterminação (R²), raiz quadrada do erro médio (RMSE), erro médio (ME), erro médio absoluto (MAE) e erro quadrático médio (MSE) . Como resultados, foi constatado que os valores referentes ao R2 e R2 ajustado para RLM foram de 0,49 e 0,48, respectivamente, enquanto para RF foram de 0,58 para ambosos coeficientes. Tais resultados indicam que o RLM demonstrou correlação moderada com as covariáveisutilizadas no modelo, entretanto, o RF apresentou melhor desempenho do modelo para a predição da fração areia total na camada superficial do solo. Além disso, em todos os valores estimados de erro (RMSE, MSE, MAE e ME) os menores valores foram encontrados para o modelo RF, indicando a sua maior acurácia quando comparado com o RLM. Conclui-se que o modelo RF apresentou melhor desempenho na prediçãoda distribuição espacial dos teores de areia total para a área de estudo, quando comparado com o modelo RLM, pois apresentou maior precisão e menor taxa de erro nos parâmetros de acurácia, refletindo em ummapa com maior similaridade ao que é encontrado em campo. Palavras-chave: mapeamento digital; modelos preditivos; granulometria do solo. Instituição financiadora: EMBRAPA SOLOS; CODEVASF Agradecimentos: EMBRAPA SOLOS; UFRRJ; CPGA-CS/UFRRJ;

Perguntas frequentes

Qual foi o objetivo do estudo sobre areia total do solo?

Comparar dois modelos de machine learning (RLM e Random Forest) para prever a distribuição espacial da fração de areia total do solo na área do Projeto Salitre, Bahia.

Quais dados foram utilizados para treinar e validar os modelos?

Foram usadas 399 amostras da camada superficial do solo (0-20 cm), coletadas na área do Projeto de Irrigação Salitre, no município de Juazeiro (BA).

Por que o modelo Random Forest apresentou melhor desempenho?

O RF obteve maiores valores de R² e, nos indicadores de erro (RMSE, MSE, MAE e ME), apresentou os menores valores, refletindo maior acurácia e menor taxa de erro em relação à RLM.

Aug 3, 2026

Carregar por Violet