
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 | Silva, Sérgio Henrique Godinho | - |
| Autor(es): dc.contributor | Silva, Bruno Montoani | - |
| Autor(es): dc.contributor | Serafim, Milson Evaldo | - |
| Autor(es): dc.contributor | Avanzi, Junior Cesar | - |
| Autor(es): dc.creator | Cadostin, Cameau | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:50:30Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:50:30Z | - |
| Data de envio: dc.date.issued | 2025-07-09 | - |
| Data de envio: dc.date.issued | 2025-02-17 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/60018 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1148628 | - |
| Descrição: dc.description | Arquivo retido,a pedido do autor, até maio de 2026. | - |
| Descrição: dc.description | Soil texture is a key factor influencing various aspects of the terrestrial environment, including fertility, water retention, and biodiversity. Understanding its distribution is therefore essential for sustainable agricultural land management. With the advent of proximal and remote sensing technologies, it has become possible to obtain detailed information about soil texture with greater efficiency. These technologies enable faster and more cost-effective soil analysis, optimizing analytical processes. In this context, the study initially evaluated the contribution of proximal and remote sensing data in predicting soil texture. To achieve this, 114 samples were collected from the surface and subsurface horizons of the Muquém Farm at UFLA. These samples were analyzed using the pipette method for granulometry, complemented by measurements from portable X-ray fluorescence spectrometry and magnetic susceptibility. Fifteen (15) terrain attributes were derived from Digital Terrain Models with a resolution of 12.5 m, using QGIS software. Prediction models were built using the Random Forest algorithm, demonstrating that integrating proximal sensor data with topographic information significantly improves the accuracy of soil property maps. Secondly, the study analyzed the impact of terrain attributes and parent material at different spatial resolutions on soil texture prediction at the UFLA campus. DTMs derived from contour lines at resolutions ranging from 1 m to 30 m, as well as data from the Alos Palsar and SRTM projects, were used to generate 15 terrain attributes. The models were trained using the Random Forest and SVM algorithms based on 232 soil samples. The analysis revealed that parent material was a determining factor in predicting sand, silt, and clay, followed by attributes such as Analytical Hillshading, LS-Factor, Channel Network Base Level, Multiresolution Index of Ridge Top Flatness, and Multiresolution Index of Valley Bottom Flatness. Additionally, DTMs with resolutions between 10 m and 20 m produced the most accurate models, confirming that higher resolutions (1m, 5m) do not necessarily guarantee better predictive performance. This study demonstrated that the combination of proximal sensing data, DTMs, and machine learning algorithms constitutes an effective approach for digital soil mapping, promoting sustainable management of soil resources. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior-CAPES | - |
| Descrição: dc.description | A textura do solo é um fator determinante que influencia diversos aspectos do ambiente terrestre, incluindo a fertilidade, a retenção de água e a biodiversidade. Compreender sua distribuição é, portanto, essencial para uma gestão sustentável das terras agrícolas. Com o advento das tecnologias de sensoriamento proximal e remoto, tornou-se possível obter informações detalhadas sobre a textura do solo com maior eficiência. Essas tecnologias permitem analisar as características do solo de forma mais rápida e econômica otimizando os processos de análise. Nesse sentido, inicialmente avaliou-se a contribuição dos dados de sensoriamento proximal e remoto na predição da textura do solo. Para isso, foram coletadas 114 amostras dos horizontes superficial e subsuperficial da Fazenda Muquém da UFLA. Essas amostras foram analisadas pelo método da pipeta para granulometria, complementadas por medições de espectrometria de fluorescência de raios-X portátil e de susceptibilidade magnética. Foram gerados quinze (15) atributos do terreno derivados de Modelos Digitais de Terreno com resolução de 12,5 m, utilizando os softwares QGIS. Os modelos de predição foram construídos utilizando o algoritmo Random Forest, demonstrando que a integração de dados de sensores proximais com informações topográficas melhora significativamente a precisão dos mapas de propriedades do solo. Em segundo lugar, analisou-se o impacto dos atributos do terreno e do material de origem em diferentes resoluções espaciais na predição da textura do solo no campus da UFLA. Modelos Digitais de Terreno derivados de curvas de nível de 1 m a 30 m, assim como dados dos projetos Alos Palsar e SRTM, foram utilizados para gerar 15 atributos do terreno. Os modelos foram treinados com os algoritmos Random Forest e SVM, com base em 232 amostras de solo. A análise revelou que o material de origem foi um fator determinante para a predição da areia, silte e argila, seguido de atributos como o Analytical Hillshading, LS-Factor, Channel Network Base Level, Multiresolution Index of Ridge Top Flatness e Multiresolution Index of Valley Bottom Flatness. Além disso, os MDT com resolução de 10 m a 20 m produziram os modelos mais precisos, confirmando que resoluções mais altas (1 m, 5 m) não garantem, necessariamente, um melhor desempenho preditivo. Este estudo demonstrou que a combinação de dados de sensoriamento proximal, de MDT e de algoritmos de machine learning constitui uma abordagem eficaz para o mapeamento digital do solo, promovendo uma gestão sustentável dos recursos pedológicos. | - |
| Descrição: dc.description | Sociais | - |
| Descrição: dc.description | Tecnológico | - |
| Descrição: dc.description | Econômicos | - |
| Descrição: dc.description | Meio ambiente | - |
| Descrição: dc.description | Tecnologia e produção | - |
| Descrição: dc.description | ODS 2: Fome zero e agricultura sustentável | - |
| Descrição: dc.description | ODS 9: Indústria, inovação e infraestrutura | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós- Graduação em Ciência do Solo | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Escola de Ciências Agrárias de Lavras - ESAL | - |
| Palavras-chave: dc.subject | Textura do solo | - |
| Palavras-chave: dc.subject | Modelo digital de terreno | - |
| Palavras-chave: dc.subject | Sensoriamento proximal | - |
| Palavras-chave: dc.subject | Sensoriamento remoto | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Atributos do terreno | - |
| Palavras-chave: dc.subject | Material de origem | - |
| Palavras-chave: dc.subject | Soil texture | - |
| Palavras-chave: dc.subject | Digital terrain model | - |
| Palavras-chave: dc.subject | Proximal sensing | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | Terrain attributes | - |
| Palavras-chave: dc.subject | Parent material. | - |
| Palavras-chave: dc.subject | Ciências Agrárias | - |
| Título: dc.title | Predição da textura do solo com sensores proximais e atributos de terreno com diferentes resoluções espaciais | - |
| Título: dc.title | Prediction of soil texture with proximal sensors and terrain attributes at different spatial resolutions | - |
| Tipo de arquivo: dc.type | dissertação | - |
| 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: