Banca de QUALIFICAÇÃO: FABRICIO DO CARMO FARIAS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : FABRICIO DO CARMO FARIAS
DATA : 30/06/2022
HORA: 14:00
LOCAL: Videoconferência
TÍTULO:

Mapeamento de solos e uso de algoritmos de aprendizagem de máquina em Tracuateua (PA)

PALAVRAS-CHAVES:

MDS, acurácia, Radom Forest,  Recursive Partitioning

PÁGINAS: 45
RESUMO:

As dificuldades no acesso em áreas do bioma amazônico têm limitado analises de planejamento econômico e agroambiental na região norte do Brasil. Neste sentido, as ferramentas de Mapeamento Digital do Solo (MDS), notadamente, as técnicas de aprendizado de máquina tem auxiliado na obtenção de mapas de solos de qualidade e de acurácia conhecida. E considerando-se a variabilidade de modelos disponíveis hoje, é importante avaliar o seu desempenho em relação ao conjunto de dados e variáveis ambientais envolvidas no mapeamento digital do solo. Este trabalho objetivou realizar o mapeamento digital de solos do município de Tracuateua/PA, em escala 1:100.000, avaliar diferentes métodos, e determinar o conjunto de covariáveis ambientais significativas que representem os fatores de formação do solo e explique a variância pedológica local. O estudo, avaliou o desempenho de dois algoritmos de aprendizado de máquina (Radon Forest – RF e Recursive Partitioning – Rpart) para mapeamento de solo no município de Tracuateua/PA, nordeste paraense, Amazônia Oriental. Foram usados 44 covariáveis geomorfométricas a partir de um Modelo Digital de Elevação – MDE, obtido de imagens Alos Palsar, a geologia local e Índices de Vegetação do Satélite Landsat 8, usando o software SAGA GIS 2.3.2 e QGIS 3.16.11. No sofware R 4.2.0, foi realizada a seleção das covariáveis pelo algoritmo de eliminação por colinearidade e sucessivamente. Foram testados 2 algoritmos de aprendizagem de máquina como classificadores, sendo as análises foram conduzidas usando os pacotes dplyr, tidyr, forcats, tibble, here, caret, terra, ggrepel, ggplot2, sf, readr, janitor, doFuture e future. Os resultados preliminares, indicam que os dois algoritmos apresentaram desempenho semelhante (Kappa 0,44-0,66). As classes de solos: (Latossolo Amarelo – LA, Argissolo Amarelo – PA, Neossolos Quartzarênicos - RQ) e planícies hidromórficas (Gleissolos Háplicos – GX) obtiveram maior concordância com o mapa convencional, apresentando maior performance dos algoritmos. Em geral o índice de concordância global obtido pela álgebra de mapas, mostrou que o resultado foi satisfatório, com 49-60 % de concordância entre o mapa de solo convencional e mapas produzidos por aprendizado de máquina. As áreas com maior desacordo no MDS, ocorreu na unidade PA, devido a baixa correlação com as variáveis ambientais. O desempenho dos modelos foi satisfatório, havendo boa concordância com o mapa de solo convencional, isso evidencia a importância do MDS como potencial ferramenta complementar no auxílio ao mapeamento de solos em áreas de difícil acesso no Brasil, principalmente em regiões, como na Amazônia.

MEMBROS DA BANCA:
Presidente - 3600530 - JOAO FERNANDES DA SILVA JUNIOR
Externo ao Programa - 1830598 - DANIEL PEREIRA PINHEIRO
Externa à Instituição - IOLANDA MARIA SOARES REIS - UFOPA
Externo à Instituição - DANIEL DE BORTOLI TEXEIRA