dc.creator | Sangoi, Daniely Vaz da Silva | |
dc.date.accessioned | 2023-06-27T19:51:54Z | |
dc.date.available | 2023-06-27T19:51:54Z | |
dc.date.issued | 2022-12-30 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/29565 | |
dc.description.abstract | Careful and sustainable management of vineyard soils is fundamental to the success of
vineyards. These areas have been faced with high levels of available copper (Cu) and zinc (Zn)
in the soil, as a result of the frequent applications of fungicides based on these elements. This
can result in high levels in the soil, resulting in toxicity to plants, also runoff and reach
riverbeds, and even leach and reach groundwater. Soil collection and analysis are essential tools
to determine the Cu and Zn content available in the soil. However, routine laboratory analyzes
are characterized by the destruction of samples and generate chemical residues, which harm the
environment if not disposed of correctly. Spectroscopy in the visible, near-infrared and shortwave electromagnetic spectrum (Vis-NIR-SWIR) combined with machine learning methods
has shown great advantages and important potential as a technique for predicting soil clay and
organic carbon contents. In the scientific and technical field, there is a demand for research
related to Vis-NIR-SWIR spectroscopy studies related to other soil attributes, such as Cu and
Zn. Therefore, this thesis explores the Vis-NIR-SWIR spectroscopy technique combined with
machine learning methods to develop spectral prediction models for available Cu and Zn
contents in vineyard soils. The literature shows that the predictive capacity of the models is
associated with the characteristics of the soil spectral data and the machine learning method
used in the predictive modeling. Therefore, it is fundamental to evaluate the characteristics of
the spectral curves, pre-processing and machine learning method in data sets, composed of soils
with variation in physical, chemical and mineralogical characteristics, as in the case of
subtropical soils in the present study. There is also a need to test the effect of the strategy of
stratifying general databases into regional sets on the calibration of prediction models. In
STUDY 1, initially, 1482 soil samples were collected from different vineyards in three grape
producing regions in the state of Rio Grande do Sul (RS), Brazil: Campos de Cima da Serra,
Serra Gaúcha and Campanha Gaúcha. These regions have different levels of Cu and Zn in the
soil. Samples were analyzed chemically by Mehlich-1 and spectrally by Vis-NIR-SWIR. The
machine learning techniques used were Partial Least Square Regression (PLSR), Cubist (CUB),
Support Vector Machine (SVM) and Random Forest (RF). The results identified relevant
information in the spectral signatures, which were used to spectrally analyze the available Cu
and Zn contents in the soil. It was possible to perform the predictions of these elements due to
the inferences with spectrally active soil properties. The highest accuracies were obtained by
combining RF with pre-processed spectra using the Savitzky-Golay first derivative technique.
As for STUDY 2, the total database (n=1482) was separated into regional subsets based on
specific characteristics of the regions where the soil samples were collected. The spectral
models were calibrated and after external validation was carried out. With this strategy, it was
possible to indirectly estimate the available Cu and Zn contents, with greater accuracy of
predictions being observed for models calibrated with regional subsets. | eng |
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 | Sensoriamento remoto hiperespectral | por |
dc.subject | Metais pesados | por |
dc.subject | Pré-processamento | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Modelo de predição global e regional | por |
dc.subject | Hyperspectral remote sensing | eng |
dc.subject | Heavy metals | eng |
dc.subject | Pre-processing | eng |
dc.subject | Machine learning | eng |
dc.subject | Global and regional prediction model | eng |
dc.title | Espectroscopia Vis-NIR-SWIR combinada com machine learning para predição de cobre e zinco em solos de vinhedos no sul do Brasil | por |
dc.title.alternative | Vis-NIR-SWIR spectroscopy combined with machine learning for copper and zinc prediction in vineyard soils in southern Brazil | eng |
dc.type | Tese | por |
dc.description.resumo | A administração cuidadosa e sustentável dos solos dos vinhedos é fundamental para o sucesso das
vinhas. Essas áreas têm-se deparado com elevados teores disponíveis de cobre (Cu) e zinco (Zn)
nos solos, consequência das frequentes aplicações de fungicidas à base desses elementos. Isso pode
resultar em teores elevados no solo, resultando em toxicidade para as plantas, também escoar
superficialmente e chegar aos leitos dos rios, e até mesmo lixiviar e alcançar águas subterrâneas. A
coleta e análise de solo são ferramentas imprescindíveis para determinar o teor de Cu e Zn
disponível no solo. Porém, as análises laboratoriais de rotina são caracterizadas pela destruição das
amostras e geram resíduos químicos, que prejudicam o meio ambiente se não descartados
corretamente. A espectroscopia na região do espectro eletromagnético do visível, infravermelho
próximo e de ondas curtas (Vis-NIR-SWIR) combinada aos métodos de machine learning, tem
apresentado grandes vantagens e importante potencial como técnica para predição dos teores de
argila e carbono orgânico do solo. No meio científico e técnico, há uma demanda por pesquisas
relacionadas a estudos de espectroscopia Vis-NIR-SWIR relacionados a outros atributos do solo,
como o Cu e Zn. Com isso, esta tese explora a técnica de espectroscopia Vis-NIR-SWIR combinada
a métodos de machine learning para desenvolver modelos espectrais de predição para os teores
disponíveis de Cu e Zn em solos de vinhedos. A literatura mostra que a capacidade preditiva dos
modelos está associada às características dos dados espectrais do solo e método de machine learning
empregado na modelagem preditiva. Por isso, é fundamental avaliar as características das curvas
espectrais, pré-processamento e método de machine learning em conjuntos de dados, compostos
por solos com variação nas características físicas, químicas e mineralógicas, a exemplo dos solos
subtropicais do presente estudo. Também existe a necessidade de testar o efeito da estratégia de
estratificação de bancos de dados gerais em conjuntos regionais na calibração de modelos de
predição. No ESTUDO 1, inicialmente, foram coletadas 1482 amostras de solos em diferentes
vinhedos de três regiões produtoras de uvas do estado do Rio Grande do Sul (RS), Brasil: Campos
de Cima da Serra, Serra Gaúcha e Campanha Gaúcha. Essas regiões apresentam diferentes teores
de Cu e Zn no solo. As amostras foram analisadas quimicamente por Mehlich-1 e espectralmente
por Vis-NIR-SWIR. As técnicas de machine learning utilizadas foram Partial Least Square
Regression (PLSR), Cubist (CUB), Support Vector Machine (SVM) e Random Forest (RF). Os
resultados identificaram informações relevantes nas assinaturas espectrais, as quais foram utilizadas
para analisar espectralmente os teores disponíveis de Cu e Zn no solo. Conseguiu-se realizar as
predições destes elementos devido as inferências com propriedades do solo espectralmente ativas.
As maiores acurácias foram obtidas combinando RF com os espectros pré-processados pela técnica
da primeira derivada de Savitzky-Golay. Já para o ESTUDO 2, separou-se o banco de dados total
(n=1482) em subconjuntos regionais com base em características específicas das regiões onde
foram coletadas as amostras de solo. Os modelos espectrais foram calibrados e após realizado a
validação externa. Com essa estratégia foi possível realizar a estimativa indireta dos teores
disponíveis de Cu e Zn, sendo observado maiores acurácias das predições para os modelos
calibrados com subconjuntos regionais. | por |
dc.contributor.advisor1 | Dalmolin, Ricardo Simão Diniz | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3735884911693854 | por |
dc.contributor.advisor-co1 | Bueno, Jean Michel Moura | |
dc.contributor.referee1 | Miguel, Pablo | |
dc.contributor.referee2 | Tiecher, Tales | |
dc.contributor.referee3 | Pedron, Fabrício de Araújo | |
dc.contributor.referee4 | Schenato, Ricardo Bergamo | |
dc.creator.Lattes | http://lattes.cnpq.br/9679161559058021 | 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 |