Application of proximal sensors for the prediction of soil classes and attributes in Brazil

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Sérgio Henrique Godinho-
Autor(es): dc.contributorCuri, Nilton-
Autor(es): dc.contributorPoggere, Giovana Clarice-
Autor(es): dc.contributorGuzman, Salvador Francisco Acunã-
Autor(es): dc.contributorAvanzi, Junior Cesar-
Autor(es): dc.creatorAndrade, Renata-
Data de aceite: dc.date.accessioned2026-02-09T11:39:30Z-
Data de disponibilização: dc.date.available2026-02-09T11:39:30Z-
Data de envio: dc.date.issued2022-03-14-
Data de envio: dc.date.issued2022-03-14-
Data de envio: dc.date.issued2022-03-14-
Data de envio: dc.date.issued2022-02-23-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/49480-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1144539-
Descrição: dc.descriptionKnowledge of soil properties makes a significant contribution towards sustainable soil management, decision making, and soil conservation. For that, a quick, environmentally friendly, non-invasive, cost-effective, and reliable method for soil properties assessment is desirable. As such, this study used portable X-ray fluorescence (pXRF) spectrometry, visible near-infrared spectroscopy (Vis-NIR) and NixProTM color sensor data to characterize 1019 Brazilian tropical soils samples, exploring the ability of six machine learning algorithms [ordinary least squares regression (OLS), Support Vector Machine with Linear Kernel (SVMLK), Cubist Regression (CR), XGBoost (XGB), Artificial Neural Network (ANN), and Random Forest (RF)] for prediction of different soil properties. The soil samples were collected in both surface and subsurface horizons of different soil classes, under several land uses, and with varying parent materials. Numerical prediction models were built for surface, and subsurface horizons separately and combined for the following soil properties: total nitrogen (TN), cation exchange capacity (CTC), soil organic matter (SOM), and soil texture (total sand, silt, clay, coarse sand, and fine sand contents). The study also encompasses the categorical prediction of properties, such as soil taxonomic classification at order and suborder levels, and soil textural classes (complete and simplified textural triangles). The NixProTM color sensor data were scanned under both dry and moist conditions. Four preprocessing methods were applied on the raw Vis-NIR spectra: first derivative, absorbance, smoothed, and binning. Samples were randomly separated into 70% for modeling and 30% for validation. The best approach varied according to the predicted soil property. However, pXRF data were a key information for the accuracy of soil properties prediction, followed by Vis-NIR spectra, and then, NixProTM color data. The results showed the increase in accuracy via fusion of proximal sensors data for soil properties prediction: TN (R2 = 0.50), CEC (0.75), SOM (0.56), total sand (0.84), silt (0.83), clay (0.90), coarse sand (0.87), fine sand (0.82), soil order (overall accuracy = 81.19%), soil suborder (74.35%), Family particle size classes (96.55%), and USDA soil texture triangle (82.75%). The results reported in this study for the tropical soils represent alternatives for reducing costs and time needed for assessing such soil properties data, supporting agronomic and environmental strategies.-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionO conhecimento das propriedades do solo contribui significativamente para o manejo sustentável do solo, tomada de decisões e conservação do solo. Para isso, é desejável um método rápido, ecologicamente correto, não invasivo, econômico e confiável para avaliação das propriedades do solo. Assim, este estudo utilizou a fluorescência de raios X (pXRF) portátil, espectroscopia no infravermelho próximo e visível (Vis-NIR) e dados do sensor de cores NixProTM para caracterizar 1019 amostras de solos tropicais brasileiros, explorando a capacidade de seis algoritmos de aprendizado de máquina [ordinary least squares regression (OLS), Support Vector Machine with Linear Kernel (SVMLK), Cubist Regression (CR), XGBoost (XGB), Artificial Neural Network (ANN), and Random Forest (RF))] para predição de diferentes propriedades do solo. As amostras de solo foram coletadas em horizontes superficiais e subsuperficiais de diferentes classes de solos, sob diversos usos da terra e com diferentes materiais de origem. Modelos numéricos de predição foram construídos para horizontes de superfície e subsuperfície separadamente e combinados, para as seguintes propriedades do solo: nitrogênio total (NT), capacidade de troca de cátions (CTC), matéria orgânica do solo (MOS) e textura do solo (areia total, silte, argila, areia grossa e areia fina). Este estudo também abrange a predição categórica de propriedades, como classificação taxonômica do solo em níveis de ordem e subordem e classes texturais do solo (triângulos texturais). Os dados do sensor de cores NixProTM foram adquiridos em condições secas e úmidas. Quatro métodos de pré-processamento foram aplicados nos espectros de Vis-NIR: primeira derivada, absorbância, smoothed e binning. As amostras foram separadas aleatoriamente em 70% para modelagem e 30% para validação. A melhor abordagem variou de acordo com a propriedade do solo a ser predita. No entanto, os dados pXRF foram uma informação chave para a acurácia da predição das propriedades do solo, seguidos pelos espectros do Vis-NIR e, em seguida, os dados de cor do NixProTM. Os resultados mostraram o aumento da acurácia via fusão de dados de sensores proximais para predição das propriedades do solo: TN (R2 = 0,50), CEC (0,75), SOM (0,56), areia total (0,84), silte (0,83), argila (0,90), areia grossa (0,87), areia fina (0,82), ordem do solo (precisão geral = 81,19%), subordem do solo (74,35%), Family particle size classes (96,55%) e triângulo de textura do solo do USDA (82,75%). Os resultados reportados neste estudo para os solos tropicais representam alternativas para redução de custos e tempo necessário para a avaliação dessas propriedades do solo, subsidiando estratégias agronômicas e ambientais.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Ciência do Solo-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Ciência do Solo-
Direitos: dc.rightsacesso aberto-
Palavras-chave: dc.subjectPropriedades do solo-
Palavras-chave: dc.subjectManejo sustentável do solo-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectModelos de predição-
Palavras-chave: dc.subjectConservação do solo-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectPrediction models-
Palavras-chave: dc.subjectSustainable soil management-
Palavras-chave: dc.subjectSoil conservation-
Palavras-chave: dc.subjectSoil properties-
Palavras-chave: dc.subjectCiência do Solo-
Título: dc.titleApplication of proximal sensors for the prediction of soil classes and attributes in Brazil-
Título: dc.titleAplicação de sensores próximos para a predição de classes e atributos do solo no Brasil-
Tipo de arquivo: dc.typetese-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.