dc.creator | Barbosa, Theresa Rocco Pereira | |
dc.date.accessioned | 2024-01-24T13:40:33Z | |
dc.date.available | 2024-01-24T13:40:33Z | |
dc.date.issued | 2023-09-19 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/31268 | |
dc.description.abstract | A porção sul da Bacia Sedimentar do Paraná tem um contexto único relacionado aos contrastes do material de
origem e paisagem complexa. Dados geofísicos aerotransportados, como a gamaespectrometria e a magnetometria, têm potencial para representar o material de origem do solo, ajudando a prever espacialmente classes de solo
tropicais. Este estudo utilizou dados morfométricos e geofísicos em diferentes combinações para testar e comparar
algoritmos de aprendizado de máquina (AM) para investigar o impacto dos dados geofísicos na previsão de classes
de solo. Doze modelos exclusivos foram avaliados, abrangendo algoritmos de AM de floresta aleatória (RF), máquina de vetor de suporte (SVM) e redes neurais artificiais (ANN) por meio de quatro formulações de covariáveis
preditoras - morfométrica (MORPHO), gamaespectrometria (GAMMA), magnetometria (MAG) e um conjunto
completo contendo todas as covariáveis (ALL). A formulação MOPHO serviu como linha de base para análises
comparativas com o conjunto de dados geofísicos individuais e adicionados. Adicionalmente, três etapas de seleção de variáveis foram aplicadas (variância próxima de zero, remoção por correlação e remoção por importância).
A importância das covariáveis nos modelos preditivos foi analisada e toda a estrutura de modelagem foi submetida a 100 interações. O estudo foi realizado com 1759 amostras categorizadas em 13 classes de solo (2ž nível
taxonômico) do Sistema Brasileiro de Classificação de Solo, cobrindo uma área de aproximadamente 2700 kmš.
Os resultados mostraram que as covariáveis morfométricas, especialmente a elevação, foram preditores consistentemente cruciais, destacando a importância do relevo. As covariáveis potássio anômalo (Kd) e eTh/K, relacionada
a solos intemperizados, foram as covariáveis mais importantes da gamaespectrometria. As covariáveis derivada
horizontal em x (gx) e campo magnético anômalo (cma) foram as covariáveis de magnetometria mais importantes, marcando estruturas do relevo. O algoritmo RF previu classes de solo com as maiores médias de valores de
precisão geral. Os algoritmos SVM e ANN demonstraram um desempenho moderado em comparação; entretanto,
nenhum dos mapas previstos pelo SVM incluiu todo o conjunto de variáveis-alvo presentes no ajuste do modelo.
A formulação ALL apresentou o melhor desempenho, independentemente do algoritmo empregado. A MORPHO
foi frequentemente a segundo melhor. Nesse sentido, a hipótese de que os dados geofísicos aerotransportados
podem efetivamente ajudar na representação do material de origem nas abordagens de mapeamento digital do solo
(MDS) foi corroborada, aprimorando assim as morfométricas usualmente empregadas. Os resultados destacam a
importância do tempo na formação do solo local, que muitas vezes é difícil de representar em abordagens MDS,
enfatizando a diversidade comum dos tipos de solo e o contraste geológico-estratigráfico Mesozoico. Destacou-se a
influência estrutural do relevo das coxilhas, mostrando um alinhamento no sentido NW-SE associado aos variados
Argissolos. Também distinguiu Argissolos Vermelhos na região norte, relacionados a rochas ígneas, e aqueles na
região centro-sul, relacionados a rochas sedimentares. Além disso, identificou o Argissolos Bruno-Acinzentados
como explicitamente associado a um domínio geofísico distinto dentro da Formação Sanga do Cabral. O estudo
ressalta o potencial de integração de dados geofísicos no MDS, enfatizando a importância de uma abordagem
abrangente que combine diversas fontes de dados e algoritmos. | por |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Gamaespectrometria | por |
dc.subject | Magnetometria | por |
dc.subject | Dados legados | por |
dc.subject | Mapeamento digital de solos | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Gamma-ray spectrometry | eng |
dc.subject | Magnetometry | eng |
dc.subject | Legacy data | eng |
dc.subject | Machine learning | eng |
dc.subject | Digital soil mapping | eng |
dc.title | The role of airborne geophysical data as covariate to map soil classes: study case - southern portion of the Paraná sedimentary basin | por |
dc.type | Dissertação | por |
dc.description.resumo | The southern Parana Sedimentary Basin has a unique context of soil parental material contrasts and a complex
landscape. Airborne geophysical data, such as gamma-ray spectrometry and magnetometry, have great potential
to represent soil parent material, helping spatial predict tropical soil classes. Because of that, this study used
morphometric and geophysical data in different combinations to test and compare different machine learning (ML)
algorithms to investigate the impact of airborne geophysical data on soil class prediction. Twelve unique models
were evaluated, encompassing random forest (RF), support vector machine (SVM), and artificial neural networks
(ANN) ML algorithms through four model formulations of covariate predictors - morphometric (MORPHO),
gamma-ray spectrometry (GAMMA), magnetometry (MAG), and a completed set containing all covariates (ALL).
The MOPHO served as a baseline for subsequent comparative analyses with the individual geophysical dataset
and their addition. Additionally, feature selection was employed in three steps (variance near zero, removal by
correction, and removal by importance), the importance of the covariates in predictive models was analyzed, and
the entire modeling framework was submitted to 100 interactions. The study was conducted with 1759 samples
categorized into 13 soil classes (2nd taxonomic level) of the Sistema Brasileiro de Classificação de Solo, covering
an area of approximately 2700kmš. The results showed that the morphometric covariates, particularly elevation,
were consistently crucial predictors, highlighting the importance of relief. The anomalous potassium (Kd) and
eTh/K covariates, related to weathered soils, were the most important gamma-ray spectrometry covariates. The
covariates x horizontal derivative (gx) and anomalous magnetic field (cma) were the most important magnetometry
covariates, ruled structures of the relief. The RF algorithm predicted soil classes with the highest means of Overall
Accuracy values. The SVM and ANN algorithms demonstrated a moderate performance compared; however, none
of the maps predicted by the SVM algorithm included the entire set of target variables present in the model fitting.
The ALL model showed the highest performance regardless of the algorithm employed. The MORPHO model was
often the second best. In this sense, the hypothesis that airborne geophysical data effectively can help soil parental
material representation in the Digital Soil Mapping (DSM) approaches was corroborated, thus enhancing the usual
morphometric covariates employed. Results highlight the importance of time (age) in local soil formation, which
is often challenging to represent, emphasizing the common diversity of the soil types and Mesozoic geologicalstratigraphic contrast. This research highlights the structural influence of relief on low-range broad hills, showing
a directional alignment in the NW-SE direction associated with the varied Acrisols. It also distinguishes between
PV ("red" Acrisols) in the northern region, related to igneous rocks, and PV in the central-southern region, connected to sedimentary rocks. Moreover, it identifies the PBAC ("blackish gray" Acrisols) as explicitly associated
with a distinct geophysical domain within the Sanga do Cabral Formation. The study underscores the potential
of integrating geophysical data in DSM, emphasizing the importance of a comprehensive approach that combines
diverse data sources and algorithms, and the world of research questions can emerge from the initial use of legacy
data. | por |
dc.contributor.advisor1 | Dalmolin, Ricardo Simão Diniz | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3735884911693854 | por |
dc.contributor.advisor-co1 | Schenato, Ricardo Bergamo | |
dc.contributor.referee1 | Pinheiro, Helena Saraiva Koenow | |
dc.contributor.referee2 | Horst, Taciara Zborowski | |
dc.creator.Lattes | http://lattes.cnpq.br/5217677044077003 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Agronomia | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência do Solo | por |
dc.subject.cnpq | CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::CIENCIA DO SOLO | por |
dc.publisher.unidade | Centro de Ciências Rurais | por |