
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.creator | Oliveira, Vinicius Augusto de | - |
| Autor(es): dc.creator | Rodrigues, André Ferreira | - |
| Autor(es): dc.creator | Morais, Marco Antônio Vieira | - |
| Autor(es): dc.creator | Terra, Marcela de Castro Nunes Santos | - |
| Autor(es): dc.creator | Guo, Li | - |
| Autor(es): dc.creator | Mello, Carlos Rogério de | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:21:02Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:21:02Z | - |
| Data de envio: dc.date.issued | 2022-02-16 | - |
| Data de envio: dc.date.issued | 2022-02-16 | - |
| Data de envio: dc.date.issued | 2021-04 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/49378 | - |
| Fonte completa do material: dc.identifier | https://doi.org/10.1111/ejss.13123 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1139021 | - |
| Descrição: dc.description | Understanding the spatiotemporal behaviour of soil moisture in tropical forests is fundamental because it mediates processes such as infiltration, groundwater recharge, runoff and evapotranspiration. This study aims to model the spatiotemporal dynamics of soil moisture in an Atlantic forest remnant (AFR) through four machine learning algorithms, as these dynamics represent an important knowledge gap under tropical conditions. Random forest (RF), support vector machine, average neural network and weighted k-nearest neighbour were studied. The abilities of the models were evaluated by means of root mean square error, mean absolute error, coefficient of determination (R2) and Nash-Sutcliffe efficiency (NS) for two calibration approaches: (a) chronological and (b) randomized. The models were further compared with a multilinear regression (MLR). The study period spans from September 2012 to November 2019 and relies on variables representing the weather, geographical location, forest structure, soil physics and morphology. RF was the best algorithm for modelling the spatiotemporal dynamics of the soil moisture with an NS of 0.77 and R2 of 0.51 in the randomized approach. This finding highlights the ability of RF to generalize a dataset with contrasting weather conditions. Kriging maps highlighted the suitability of RF to track the spatial distribution of soil moisture in the AFR. Throughfall (TF), potential evapotranspiration (ETo), longitude (Long), diameter at breast height (DBH) and species diversity (H) were the most important variables controlling soil moisture. MLR performed poorly in modelling the spatiotemporal dynamics of soil moisture due to the highly nonlinear condition of this process. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | John Wiley & Sons, Inc. / British Society of Soil Science | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | European Journal of Soil Science (EJSS) | - |
| Palavras-chave: dc.subject | Forest hydrology | - |
| Palavras-chave: dc.subject | Neural networks | - |
| Palavras-chave: dc.subject | Random forest | - |
| Palavras-chave: dc.subject | Soil physics | - |
| Palavras-chave: dc.subject | Hidrologia florestal | - |
| Palavras-chave: dc.subject | Redes neurais | - |
| Palavras-chave: dc.subject | Floresta Aleatória | - |
| Palavras-chave: dc.subject | Física do solo | - |
| Título: dc.title | Spatiotemporal modelling of soil moisture in an Atlantic forest through machine learning algorithms | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: