| |
|
|
| Registros recuperados : 3 | |
| 3. |  | DIAS, L. M. da S.; COELHO, R. M.; VALLADARES, G. S.; ASSIS, A. C. C. de; FERREIRA, E. P.; SILVA, R. C. da. Predição de classes de solo por mineração de dados em área da bacia sedimentar do São Francisco. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 51, n. 9, p. 1396-1404, set. 2016. Título em inglês: Soil class prediction by data mining in an area of the sedimentary São Francisco basin.| Biblioteca(s): Embrapa Solos / UEP-Recife; Embrapa Unidades Centrais. |
|    |
| Registros recuperados : 3 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Unidades Centrais. |
|
Data corrente: |
28/11/2016 |
|
Data da última atualização: |
24/05/2017 |
|
Autoria: |
DIAS, L. M. da S.; COELHO, R. M.; VALLADARES, G. S.; ASSIS, A. C. C. de; FERREIRA, E. P.; SILVA, R. C. da. |
|
Afiliação: |
LAURA MILANI DA SILVA DIAS, Universidde Estadual de Campinas; RICARDO MARQUES COELHO, Instituto Agronômico; GUSTAVO SOUZA VALLADARES, UFPI; ANA CAROLINA CUNHA DE ASSIS, Instituto Agronômico; EDILENE PEREIRA FERREIRA, Instituto Agronômico; RAFAEL CIPRIANO DA SILVA, USP/ESALQ. |
|
Título: |
Predição de classes de solo por mineração de dados em área da bacia sedimentar do São Francisco. |
|
Ano de publicação: |
2016 |
|
Fonte/Imprenta: |
Pesquisa Agropecuária Brasileira, Brasília, DF, v. 51, n. 9, p. 1396-1404, set. 2016. |
|
Idioma: |
Português |
|
Notas: |
Título em inglês: Soil class prediction by data mining in an area of the sedimentary São Francisco basin. |
|
Conteúdo: |
O objetivo deste trabalho foi avaliar diferentes estratégias para a predição da distribuição de classes de solo em mapas pedológicos digitais de áreas sem dados de referência, na bacia sedimentar do São Francisco, no Norte de Minas Gerais. As estratégias incluíram: o detalhamento da legenda, o treinamento por observações em campo, a ampliação do conjunto de treinamento e o uso de diferentes algoritmos de mineração de dados. Foram elaboradas quatro matrizes, diferenciadas pelo volume de dados, para o aprendizado dos algoritmos, e pelo nível taxonômico das classes de solo a serem preditas. Avaliou-se o desempenho dos algoritmos de aprendizado de máquina ? Random Forest, J48 e MLP ?, associados a procedimentos de discretização, balanceamento de classes, seleção de variáveis e expansão do conjunto de treinamento. O balanceamento de classes, a discretização de variáveis por frequências iguais e o algoritmo Random Forest apresentaram os melhores desempenhos. A extensão da representatividade das observações em campo, que presume uma área de treinamento mais ampla, não trouxe ganho preditivo. A generalização taxonômica para subordem diminui a fragmentação dos polígonos mapeados e aumenta a acurácia dos mapas pedológicos digitais. Quando são produzidos após treinamento por observações de solo in situ, na área de mapeamento, os mapas pedológicos digitais têm valores de acurácia equivalentes aos dos treinados em mapas preexistentes. |
|
Palavras-Chave: |
Acurácia de mapa pedológico; Algoritmos de classificação; Classification algorithms; Digital soil map; Mapa digital de solo; Predictive variables of the terrain; Soil map accuracy; Variável preditiva do meio físico. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/150748/1/Predicao-de-classes-de-solo.pdf
|
|
Marc: |
LEADER 02543naa a2200289 a 4500
001 2057348
005 2017-05-24
008 2016 bl uuuu u00u1 u #d
100 1 $aDIAS, L. M. da S.
245 $aPredição de classes de solo por mineração de dados em área da bacia sedimentar do São Francisco.
260 $c2016
500 $aTítulo em inglês: Soil class prediction by data mining in an area of the sedimentary São Francisco basin.
520 $aO objetivo deste trabalho foi avaliar diferentes estratégias para a predição da distribuição de classes de solo em mapas pedológicos digitais de áreas sem dados de referência, na bacia sedimentar do São Francisco, no Norte de Minas Gerais. As estratégias incluíram: o detalhamento da legenda, o treinamento por observações em campo, a ampliação do conjunto de treinamento e o uso de diferentes algoritmos de mineração de dados. Foram elaboradas quatro matrizes, diferenciadas pelo volume de dados, para o aprendizado dos algoritmos, e pelo nível taxonômico das classes de solo a serem preditas. Avaliou-se o desempenho dos algoritmos de aprendizado de máquina ? Random Forest, J48 e MLP ?, associados a procedimentos de discretização, balanceamento de classes, seleção de variáveis e expansão do conjunto de treinamento. O balanceamento de classes, a discretização de variáveis por frequências iguais e o algoritmo Random Forest apresentaram os melhores desempenhos. A extensão da representatividade das observações em campo, que presume uma área de treinamento mais ampla, não trouxe ganho preditivo. A generalização taxonômica para subordem diminui a fragmentação dos polígonos mapeados e aumenta a acurácia dos mapas pedológicos digitais. Quando são produzidos após treinamento por observações de solo in situ, na área de mapeamento, os mapas pedológicos digitais têm valores de acurácia equivalentes aos dos treinados em mapas preexistentes.
653 $aAcurácia de mapa pedológico
653 $aAlgoritmos de classificação
653 $aClassification algorithms
653 $aDigital soil map
653 $aMapa digital de solo
653 $aPredictive variables of the terrain
653 $aSoil map accuracy
653 $aVariável preditiva do meio físico
700 1 $aCOELHO, R. M.
700 1 $aVALLADARES, G. S.
700 1 $aASSIS, A. C. C. de
700 1 $aFERREIRA, E. P.
700 1 $aSILVA, R. C. da
773 $tPesquisa Agropecuária Brasileira, Brasília, DF$gv. 51, n. 9, p. 1396-1404, set. 2016.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Unidades Centrais (AI-SEDE) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
