| |
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Cerrados. Para informações adicionais entre em contato com cpac.biblioteca@embrapa.br. |
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Cerrados. |
|
Data corrente: |
15/12/2023 |
|
Data da última atualização: |
15/12/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
AIRES, U. R. V.; SILVA, D. D. da; FERNANDES FILHO, E. I.; RODRIGUES, L. N.; ULIANA, E. M.; AMORIM, R. S. S.; RIBEIRO, C. B. de M.; CAMPOS, J. A. |
|
Afiliação: |
UILSON RICARDO VENÂNCIO AIRES, UNIVERSIDADE FEDERAL DE VIÇOSA; DEMETRIUS DAVID DA SILVA, Universidade Federal de Viçosa; ELPÍDIO INÁCIO FERNANDES FILHO, Universidade Federal de Viçosa; LINEU NEIVA RODRIGUES, CPAC; EDUARDO MORGAN ULIANA, Universidade Federal de Mato Grosso; RICARDO SANTOS SILVA AMORIM, Universidade Federal de Viçosa; CELSO BANDEIRA DE MELO RIBEIRO, Universidade Federal de Juiz de Fora; JASMINE ALVES CAMPOS, Universidade Federal de Viçosa. |
|
Título: |
Machine learning-based modeling of surface sediment concentration in Doce river basin. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Journal of Hydrology, v. 619, 2023. e129320. |
|
ISSN: |
0022-1694 |
|
Idioma: |
Inglês |
|
Conteúdo: |
As sediment measurements are laborious and costly, alternative techniques are required to provide such information from more easily measured variables. Thus, the objective of this study was to use machine learning-based models to predict the surface sediment concentration (SSC) in the Doce river basin. The cross-sectional averages of measurements from seven sediment monitoring stations of the Agˆencia Nacional de Aguas ́ e Saneamento Basico ́ located in the Doce riverbed were used as the SSC data. A total of 62 predictor variables were used, which were derived from data on the terrain slope, pedology, land use and cover, precipitation, river discharge and velocity, actual vapotranspiration, surface runoff, soil moisture, temperature, and normalized difference vegetation index. The Boruta and recursive feature elimination variable selection methods were employed to reduce the number of predictor variables. The random forest, Cubist, support vector machine, and eXtreme Gradient Boosting (XGBoost) algorithms as well as least absolute shrinkage and selection operator (LASSO) regression were applied to predict the SSC data. The machine learning algorithms provided superior results, particularly the Cubist and XGBoost models, which exhibited the lowest prediction error and highest efficiency metrics. According to the varImp function from Caret package, the most important predictor variables for the SSC modeling were the daily river discharge on the sediment collection date and time-lagged discharge. The cumulative daily mean precipitation was also important for the sediment modeling. Our findings demonstrate that machine learning models may be a very helpful tool for sediment monitoring and understanding sediment dynamics in the Doce river basin over time. MenosAs sediment measurements are laborious and costly, alternative techniques are required to provide such information from more easily measured variables. Thus, the objective of this study was to use machine learning-based models to predict the surface sediment concentration (SSC) in the Doce river basin. The cross-sectional averages of measurements from seven sediment monitoring stations of the Agˆencia Nacional de Aguas ́ e Saneamento Basico ́ located in the Doce riverbed were used as the SSC data. A total of 62 predictor variables were used, which were derived from data on the terrain slope, pedology, land use and cover, precipitation, river discharge and velocity, actual vapotranspiration, surface runoff, soil moisture, temperature, and normalized difference vegetation index. The Boruta and recursive feature elimination variable selection methods were employed to reduce the number of predictor variables. The random forest, Cubist, support vector machine, and eXtreme Gradient Boosting (XGBoost) algorithms as well as least absolute shrinkage and selection operator (LASSO) regression were applied to predict the SSC data. The machine learning algorithms provided superior results, particularly the Cubist and XGBoost models, which exhibited the lowest prediction error and highest efficiency metrics. According to the varImp function from Caret package, the most important predictor variables for the SSC modeling were the daily river discharge on the sediment collection date and tim... Mostrar Tudo |
|
Thesagro: |
Água Doce; Rio; Sedimento. |
|
Thesaurus Nal: |
Sediment contamination. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
Marc: |
LEADER 02534naa a2200265 a 4500
001 2159802
005 2023-12-15
008 2023 bl uuuu u00u1 u #d
022 $a0022-1694
100 1 $aAIRES, U. R. V.
245 $aMachine learning-based modeling of surface sediment concentration in Doce river basin.$h[electronic resource]
260 $c2023
520 $aAs sediment measurements are laborious and costly, alternative techniques are required to provide such information from more easily measured variables. Thus, the objective of this study was to use machine learning-based models to predict the surface sediment concentration (SSC) in the Doce river basin. The cross-sectional averages of measurements from seven sediment monitoring stations of the Agˆencia Nacional de Aguas ́ e Saneamento Basico ́ located in the Doce riverbed were used as the SSC data. A total of 62 predictor variables were used, which were derived from data on the terrain slope, pedology, land use and cover, precipitation, river discharge and velocity, actual vapotranspiration, surface runoff, soil moisture, temperature, and normalized difference vegetation index. The Boruta and recursive feature elimination variable selection methods were employed to reduce the number of predictor variables. The random forest, Cubist, support vector machine, and eXtreme Gradient Boosting (XGBoost) algorithms as well as least absolute shrinkage and selection operator (LASSO) regression were applied to predict the SSC data. The machine learning algorithms provided superior results, particularly the Cubist and XGBoost models, which exhibited the lowest prediction error and highest efficiency metrics. According to the varImp function from Caret package, the most important predictor variables for the SSC modeling were the daily river discharge on the sediment collection date and time-lagged discharge. The cumulative daily mean precipitation was also important for the sediment modeling. Our findings demonstrate that machine learning models may be a very helpful tool for sediment monitoring and understanding sediment dynamics in the Doce river basin over time.
650 $aSediment contamination
650 $aÁgua Doce
650 $aRio
650 $aSedimento
700 1 $aSILVA, D. D. da
700 1 $aFERNANDES FILHO, E. I.
700 1 $aRODRIGUES, L. N.
700 1 $aULIANA, E. M.
700 1 $aAMORIM, R. S. S.
700 1 $aRIBEIRO, C. B. de M.
700 1 $aCAMPOS, J. A.
773 $tJournal of Hydrology$gv. 619, 2023. e129320.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Cerrados (CPAC) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Semiárido. |
|
Data corrente: |
17/01/2008 |
|
Data da última atualização: |
03/04/2024 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso / Nota Técnica |
|
Autoria: |
CARDOSO NETO, B. M.; OLIVEIRA, R. L.; SANDERS, D. da M.; RIBEIRO, R. D. X.; BAGALDO, A. R.; GARCEZ NETO, A. F.; FARIA, E. S.; LIMA, L. dos S.; MACOME, F. M.; ARAUJO, G. G. L. de. |
|
Afiliação: |
Bianor Matias Cardoso Neto, UFBA; Ronaldo Lopes Oliveira, UFBA; Dayanne da Motta Sanders, UFBA; Rebeca Dantas Xavier Ribeiro, UFBA; Adriana Regina Bagaldo, CNPq; Américo Fróes Garcez Neto, UFBA; Edgar Santos Faria, UFBA; Luciano Dos Santos Lima, UFBA; Felicidade Margarida Macome, UFBA; GHERMAN GARCIA LEAL DE ARAUJO, CPATSA. |
|
Título: |
Composição químico-bromatológica da silagem de Tanzânia com niveis de farelo de trigo. |
|
Ano de publicação: |
2007 |
|
Fonte/Imprenta: |
In: SIMPÓSIO INTERNACIONAL SOBRE CAPRINOS E OVINOS DE CORTE, 3., 2007, João Pessoa. Anais... João Pessoa: SEBRAE-PB: EMEPA-PB, 2007. |
|
Descrição Física: |
1 CD-ROM. |
|
Idioma: |
Português |
|
Conteúdo: |
O experimento foi conduzido com o objetivo de avaliar o melhor nível de inclusão do farelo de trigo na silagem de capim tanzânia com base nos parâmetros químico- bromatológicos. O experimento foi realizado na Fazenda Experimental da Escola de Medicina Veterinária da UFBA. Os tratamentos foram compostos por capim tanzânia (CT) cortado aos 46 dias, picado e acrescido de 8%; 16%; 24%; e 34% de farelo de trigo (FT), além do tratamento sem farelo adicional. Após a mistura, o material foi compactado em silos experimentais, que foram abertos após 60 dias. O delineamento experimental utilizado foi o inteiramente casualizado, com cinco tratamentos e quatro repetições. Os dados foram analisados por meio de análise de regressão. A adição de farelo de trigo melhorou os parâmetros químicos bromatológicos da silagem, elevando os teores de matéria seca e carboidratos não fibrosos, e reduzindo os níveis da porção fibrosa. |
|
Palavras-Chave: |
Capim-tanzânia. |
|
Thesagro: |
Aditivo; Ensilagem; Farelo; Pastagem; Trigo. |
|
Thesaurus NAL: |
Pastures; Silage; Wheat. |
|
Categoria do assunto: |
L Ciência Animal e Produtos de Origem Animal |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/CPATSA/36686/1/OPB1557.pdf
|
|
Marc: |
LEADER 01919nam a2200337 a 4500
001 1160326
005 2024-04-03
008 2007 bl uuuu u00u1 u #d
100 1 $aCARDOSO NETO, B. M.
245 $aComposição químico-bromatológica da silagem de Tanzânia com niveis de farelo de trigo.
260 $aIn: SIMPÓSIO INTERNACIONAL SOBRE CAPRINOS E OVINOS DE CORTE, 3., 2007, João Pessoa. Anais... João Pessoa: SEBRAE-PB: EMEPA-PB$c2007
300 $c1 CD-ROM.
520 $aO experimento foi conduzido com o objetivo de avaliar o melhor nível de inclusão do farelo de trigo na silagem de capim tanzânia com base nos parâmetros químico- bromatológicos. O experimento foi realizado na Fazenda Experimental da Escola de Medicina Veterinária da UFBA. Os tratamentos foram compostos por capim tanzânia (CT) cortado aos 46 dias, picado e acrescido de 8%; 16%; 24%; e 34% de farelo de trigo (FT), além do tratamento sem farelo adicional. Após a mistura, o material foi compactado em silos experimentais, que foram abertos após 60 dias. O delineamento experimental utilizado foi o inteiramente casualizado, com cinco tratamentos e quatro repetições. Os dados foram analisados por meio de análise de regressão. A adição de farelo de trigo melhorou os parâmetros químicos bromatológicos da silagem, elevando os teores de matéria seca e carboidratos não fibrosos, e reduzindo os níveis da porção fibrosa.
650 $aPastures
650 $aSilage
650 $aWheat
650 $aAditivo
650 $aEnsilagem
650 $aFarelo
650 $aPastagem
650 $aTrigo
653 $aCapim-tanzânia
700 1 $aOLIVEIRA, R. L.
700 1 $aSANDERS, D. da M.
700 1 $aRIBEIRO, R. D. X.
700 1 $aBAGALDO, A. R.
700 1 $aGARCEZ NETO, A. F.
700 1 $aFARIA, E. S.
700 1 $aLIMA, L. dos S.
700 1 $aMACOME, F. M.
700 1 $aARAUJO, G. G. L. de
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Semiárido (CPATSA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Expressão de busca inválida. Verifique!!! |
|
|
