INTEGRAÇÃO DE LIDAR E APRENDIZADO DE MÁQUINA PARA ESPACIALIZAÇÃO DE TEORES DISPONÍVEIS DE SÓDIO E POTÁSSIO EM SOLOS DO SEMIÁRIDO POTIGUAR
"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" => 123300 "edicao_id" => 432 "trabalho_id" => 134 "inscrito_id" => 398 "titulo" => "INTEGRAÇÃO DE LIDAR E APRENDIZADO DE MÁQUINA PARA ESPACIALIZAÇÃO DE TEORES DISPONÍVEIS DE SÓDIO E POTÁSSIO EM SOLOS DO SEMIÁRIDO POTIGUAR" "resumo" => "A compreensão da distribuição espacial de nutrientes no solo é fundamental para práticas agrícolas sustentáveis e manejo do solo. A utilização de tecnologias avançadas como LiDAR, associada a técnicas de aprendizado de máquina, oferece uma nova abordagem para modelar a variabilidade espacial de atributos das paisagens. O presente trabalho tem como objetivo modelar espacialmente os teores de sódio (Na) e potássio (K) disponíveis nos solos de um assentamento rural no semiárido do Rio Grande do Norte com técnicas de aprendizado de máquina, utilizando como variáveis preditoras produtos derivados de levantamento realizado com LiDAR (Light Detection and Ranging). Essa abordagem busca predizer e compreender a distribuição espacial desses teores, além de entender as relações pedogeomorfológicas expressas na paisagem local. Nesse sentido, para a consecução deste trabalho foram coletadas amostras superficiais de solo (0 - 20 cm) com localização orientada a partir do método do Hipercubo Latino Condicionado (HLC). Para a determinação dos pontos de amostragem e predição dos teores de Na e K disponíveis, os algoritmos foram alimentados com 17 produtos geomorfométricos produzidos após processamento de modelo digital de terreno (MDT) obtido por LiDAR. Para predição dos teores de Na e K disponíveis, foram testados quatro algoritmos de aprendizado de máquina: Random Forest, Cubist, Support Vector Machine (SVM) e Gradient Boosting Machines (GBM). Para avaliação do desempenho dos modelos, foram utilizados o coeficiente de determinação (R²), erro médio absoluto (MAE) e raiz do erro quadrático médio (RMSE). Foram elaborados mapas de distribuição espacial de teores de Na e K disponíveis, assim como seus respectivos mapas de incerteza das predições. Para K disponível, a melhor performance observada foi do algoritmo GBM com R² = 0.04, MAE = 0.56 e RMSE = 1.46, sendo as cinco variáveis geomorfométricas mais importantes para a predição: Índice de Balanço de Massa, Modelo Digital de Terreno, Orientação das Vertentes, Índice de Umidade Topográfica e Índice de Convexidade. No caso de Na disponível, o melhor desempenho foi obtido pelo SVM com R² = 0.24, MAE = 0.33 e RMSE = 1.19, que indicou como variáveis geomorfométricas mais importantes: Perfil de Curvatura, Índice de Rugosidade do Terreno, Índice Multi-resolução de Planicidade de Topos de Vale e Índice de Umidade Topográfica. Mesmo apresentando valores de R² baixos, as modelagens para K e Na disponíveis foram consideradas satisfatórias para observação de tendências de distribuição espacial de seus teores. No caso de Na disponível, teores mais elevados foram observados em partes baixas da paisagem em áreas de acumulação de umidade. Para K disponível, foi observada associação com porções mais altas da paisagem e locais com afloramentos e fragmentos de rocha em abundância. Os resultados indicam que a utilização exclusivamente de variáveis relacionadas ao relevo não produziu resultados totalmente satisfatórios para a modelagem da distribuição espacial dos teores disponíveis de Na e K nos solos. A utilização de LiDAR conjuntamente com técnicas de aprendizado de máquina tem potencial para elaboração de mapas de solos mais precisos, porém, devem ser consideradas variáveis relacionadas aos demais fatores de formação de solos além do relevo." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "GT 13 - Geotecnologias e Inteligência artificial aplicados a geomorfologia" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV217_ID398_TB134_26072025130207.pdf" "created_at" => "2025-09-15 11:26:50" "updated_at" => null "ativo" => 1 "autor_nome" => "FABIANO SOUZA DE MACEDO" "autor_nome_curto" => "FABIANO" "autor_email" => "fabiano.souza.103@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" => 123300 "edicao_id" => 432 "trabalho_id" => 134 "inscrito_id" => 398 "titulo" => "INTEGRAÇÃO DE LIDAR E APRENDIZADO DE MÁQUINA PARA ESPACIALIZAÇÃO DE TEORES DISPONÍVEIS DE SÓDIO E POTÁSSIO EM SOLOS DO SEMIÁRIDO POTIGUAR" "resumo" => "A compreensão da distribuição espacial de nutrientes no solo é fundamental para práticas agrícolas sustentáveis e manejo do solo. A utilização de tecnologias avançadas como LiDAR, associada a técnicas de aprendizado de máquina, oferece uma nova abordagem para modelar a variabilidade espacial de atributos das paisagens. O presente trabalho tem como objetivo modelar espacialmente os teores de sódio (Na) e potássio (K) disponíveis nos solos de um assentamento rural no semiárido do Rio Grande do Norte com técnicas de aprendizado de máquina, utilizando como variáveis preditoras produtos derivados de levantamento realizado com LiDAR (Light Detection and Ranging). Essa abordagem busca predizer e compreender a distribuição espacial desses teores, além de entender as relações pedogeomorfológicas expressas na paisagem local. Nesse sentido, para a consecução deste trabalho foram coletadas amostras superficiais de solo (0 - 20 cm) com localização orientada a partir do método do Hipercubo Latino Condicionado (HLC). Para a determinação dos pontos de amostragem e predição dos teores de Na e K disponíveis, os algoritmos foram alimentados com 17 produtos geomorfométricos produzidos após processamento de modelo digital de terreno (MDT) obtido por LiDAR. Para predição dos teores de Na e K disponíveis, foram testados quatro algoritmos de aprendizado de máquina: Random Forest, Cubist, Support Vector Machine (SVM) e Gradient Boosting Machines (GBM). Para avaliação do desempenho dos modelos, foram utilizados o coeficiente de determinação (R²), erro médio absoluto (MAE) e raiz do erro quadrático médio (RMSE). Foram elaborados mapas de distribuição espacial de teores de Na e K disponíveis, assim como seus respectivos mapas de incerteza das predições. Para K disponível, a melhor performance observada foi do algoritmo GBM com R² = 0.04, MAE = 0.56 e RMSE = 1.46, sendo as cinco variáveis geomorfométricas mais importantes para a predição: Índice de Balanço de Massa, Modelo Digital de Terreno, Orientação das Vertentes, Índice de Umidade Topográfica e Índice de Convexidade. No caso de Na disponível, o melhor desempenho foi obtido pelo SVM com R² = 0.24, MAE = 0.33 e RMSE = 1.19, que indicou como variáveis geomorfométricas mais importantes: Perfil de Curvatura, Índice de Rugosidade do Terreno, Índice Multi-resolução de Planicidade de Topos de Vale e Índice de Umidade Topográfica. Mesmo apresentando valores de R² baixos, as modelagens para K e Na disponíveis foram consideradas satisfatórias para observação de tendências de distribuição espacial de seus teores. No caso de Na disponível, teores mais elevados foram observados em partes baixas da paisagem em áreas de acumulação de umidade. Para K disponível, foi observada associação com porções mais altas da paisagem e locais com afloramentos e fragmentos de rocha em abundância. Os resultados indicam que a utilização exclusivamente de variáveis relacionadas ao relevo não produziu resultados totalmente satisfatórios para a modelagem da distribuição espacial dos teores disponíveis de Na e K nos solos. A utilização de LiDAR conjuntamente com técnicas de aprendizado de máquina tem potencial para elaboração de mapas de solos mais precisos, porém, devem ser consideradas variáveis relacionadas aos demais fatores de formação de solos além do relevo." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "GT 13 - Geotecnologias e Inteligência artificial aplicados a geomorfologia" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV217_ID398_TB134_26072025130207.pdf" "created_at" => "2025-09-15 11:26:50" "updated_at" => null "ativo" => 1 "autor_nome" => "FABIANO SOUZA DE MACEDO" "autor_nome_curto" => "FABIANO" "autor_email" => "fabiano.souza.103@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 => "*" ] }