[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-pt-112":3,"doc-seo-120025-112":49,"doc-detail-120025-pt":124},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},26,"Document","Contos e Romances",60,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},46,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},28,"Exames","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},47,"Geral","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},29,"Histórias em Quadrinhos","comic",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},27,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},32,"Pesquisa e Relatórios","research-report",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},33,"Religião e Espiritualidade","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},31,"Saúde e Cuidados","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},45,"Tecnologia","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":117,"head_meta":119,"extra_data":121,"updated_unix":123},112,"pt","spatial-prediction-of-total-sand-through-machine-learning-case-study-project-salitre-bahia","PREDIÇAO ESPACIAL DE AREIA TOTAL ATRAVES DE MACHINE LEARNING - ESTUDO DE CASO PROJETOSALITRE, BAHIA","","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.",{"@graph":59,"@context":116},[60,77,99],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/pt/document/",2,{"item":72,"name":35,"@type":66,"position":73},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/pt/document/spatial-prediction-of-total-sand-through-machine-learning-case-study-project-salitre-bahia/120025/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/spatial-prediction-of-total-sand-through-machine-learning-case-study-project-salitre-bahia/120025.png","ImageObject",300,407,{"name":85,"@type":86},"Violet","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-09-20","2026-08-03",true,{"@type":95,"interactionType":96,"userInteractionCount":98},"InteractionCounter",{"@type":97},"ViewAction",5,{"@type":100,"mainEntity":101},"FAQPage",[102,108,112],{"name":103,"@type":104,"acceptedAnswer":105},"Qual foi o objetivo do estudo sobre areia total do solo?","Question",{"text":106,"@type":107},"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.","Answer",{"name":109,"@type":104,"acceptedAnswer":110},"Quais dados foram utilizados para treinar e validar os modelos?",{"text":111,"@type":107},"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).",{"name":113,"@type":104,"acceptedAnswer":114},"Por que o modelo Random Forest apresentou melhor desempenho?",{"text":115,"@type":107},"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.","https://schema.org",{"og:url":75,"og:type":118,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":120,"canonical":75},"index,follow",{"doc_id":122,"site_id":52},120025,1785727783,{"code":4,"msg":5,"data":125},{"doc_id":122,"user_id":126,"nickname":85,"user_avatar":127,"doc_module":4,"category_id":34,"category_name":35,"doc_title":55,"doc_description":57,"doc_content":128,"file_id":129,"file_url":130,"file_type":131,"file_size":132,"view_count":98,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":67,"language":133,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":134,"faqs":135,"seo_title":136,"seo_description":57,"update_tm":123,"read_time":70},1099523885336,"https://ap-avatar.wpscdn.com/davatar_276721f389ce27ea32af1340a28f341c","ID: 1206  \nÁrea: Divisão 1 – Solo no espaço e no tempo: Comissão 1.3-Pedometria  \nTítulo: PREDIÇAO ESPACIAL DE AREIA TOTAL ATRAVES DE MACHINE LEARNING: ESTUDO DE CASO PROJETOSALITRE, BAHIA  \nAutores: 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)  \nResumo:  \nO 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.  \nPalavras-chave: mapeamento digital; modelos preditivos; granulometria do solo.  \nInstituição financiadora: EMBRAPA SOLOS; CODEVASF  \nAgradecimentos: EMBRAPA SOLOS; UFRRJ; CPGA-CS/UFRRJ;","cbCaioNV9745v7zc","https://ap.wps.com/l/cbCaioNV9745v7zc","pdf",159744,"Portuguese","# Objetivo e contexto\n## Comparação dos modelos (RLM vs RF)\n## Dados e processamento (0-20 cm)\n## Métricas de avaliação\n## Resultados e conclusão","[{\"question\":\"Qual foi o objetivo do estudo sobre areia total do solo?\",\"answer\":\"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.\"},{\"question\":\"Quais dados foram utilizados para treinar e validar os modelos?\",\"answer\":\"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).\"},{\"question\":\"Por que o modelo Random Forest apresentou melhor desempenho?\",\"answer\":\"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.\"}]","PREDIÇAO ESPACIAL DE AREIA TOTAL ATRAVES DE MACHINE LEARNING - ESTUDO DE CASO PROJETOSALITRE, BAHIA | PDF"]