Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | dos Santos, Arthur Pereira | - |
Autor(es): dc.creator | da Silva Junior, Alessandro Xavier | - |
Autor(es): dc.creator | Nery, Liliane Moreira | - |
Autor(es): dc.creator | Gomes, Gabriela | - |
Autor(es): dc.creator | Toniolo, Bruno Pereira | - |
Autor(es): dc.creator | da Cunha e Silva, Darllan Collins | - |
Autor(es): dc.creator | Lourenço, Roberto Wagner | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:35:22Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:35:22Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2025-03-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/s10661-025-13786-0 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/298013 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/298013 | - |
Descrição: dc.description | The proportion of sand, silt, and clay defines soil texture, significantly influencing agricultural and ecological practices. However, conventional classification methods are costly and limit evaluation frequency and scope. In contrast, machine learning algorithms, such as random forest, provide a more efficient solution for accurate soil texture predictions. This study aims to address this knowledge gap by integrating geoprocessing, precision agriculture, and machine learning to classify soil texture in the Sorocabuçu River Basin (SRB), predominantly agricultural. Twenty-seven sampling points were selected based on topography and land use, ensuring the representativeness of area variations and the reliability of classification. Granulometric analysis was performed using the pipette method to separate sand, silt, and clay. The data were spatially interpolated using geographic information system (GIS) techniques. Soil texture was classified using the random forest algorithm, trained on 70% of the data and tested on 30%, evaluating overall accuracy, kappa index, sensitivity, and specificity. Fifty trees (ntree) and four features per split (ntry) were used, considering the variability of parameters to ensure satisfactory results. The varied spatial distribution of clay, along with high levels of sand and silt, suggests greater vulnerability to erosion without conservation management practices. The random forest model achieved an out-of-bag (OOB) error of 2.78%, a kappa index of 0.88, and an overall accuracy of 0.92, demonstrating excellent predictive capacity. The variability of sand was essential, but the Sandy Clay Loam (SCL) class posed challenges due to its intermediate characteristics between sand and clay, resulting in classification overlaps. This integrated methodology enhances understanding of soil structure in the SRB and provides a foundation for future research and practical applications, supporting food security and environmental sustainability. The model can be applied in other locations and agricultural contexts. In homogeneous soils, the method can be improved through the application of machine learning algorithms to enhance accuracy. | - |
Descrição: dc.description | Department of Environmental Science São Paulo State University (UNESP), São Paulo | - |
Descrição: dc.description | Institute of Science and Technology of Sorocaba São Paulo State University (UNESP), São Paulo | - |
Descrição: dc.description | Department of Environmental Science São Paulo State University (UNESP), São Paulo | - |
Descrição: dc.description | Institute of Science and Technology of Sorocaba São Paulo State University (UNESP), São Paulo | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Environmental Monitoring and Assessment | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Precision agriculture | - |
Palavras-chave: dc.subject | Soil erosion | - |
Palavras-chave: dc.subject | Soil textural classification | - |
Título: dc.title | Random forest algorithm applied to model soil textural classification in a river basin | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: