
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 | Mancini, Marcelo | - |
| Autor(es): dc.creator | Weindorf, David C. | - |
| Autor(es): dc.creator | Silva, Sérgio Henrique Godinho | - |
| Autor(es): dc.creator | Chakraborty, Somsubhra | - |
| Autor(es): dc.creator | Teixeira, Anita Fernanda dos Santos | - |
| Autor(es): dc.creator | Guilherme, Luiz Roberto Guimarães | - |
| Autor(es): dc.creator | Curi, Nilton | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:53:55Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:53:55Z | - |
| Data de envio: dc.date.issued | 2020-05-12 | - |
| Data de envio: dc.date.issued | 2020-05-12 | - |
| Data de envio: dc.date.issued | 2019-10 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/40810 | - |
| Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/abs/pii/S0016706119307888#! | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1149886 | - |
| Descrição: dc.description | Knowledge about parent material (PM) is crucial to understand the properties of overlying soils. Assessing PM of very deep soils, however, is not easy. Previous studies have predicted PM via proximal sensors and machine learning algorithms, but within small areas and with low soil variety. This study evaluates the efficiency of using portable X-ray fluorescence (pXRF) spectrometry together with machine learning algorithms in a large area populated with a wide variety of soil classes and land uses to build accurate PM distribution maps from soil data. Samples from A and B horizons were collected from 117 sites, totaling 234 samples, along with representative PM samples of the predominant PMs in the region. Elemental contents of PM and soil samples were obtained using pXRF. Random Forest (RF), Support Vector Machine (SVM) and Linear Discriminant Analysis (LDA) models built with and without Principal Component Analysis (PCA) were used to predict PMs from A and B horizon samples separately. For validation, PM was identified in 23 different spots and compared with the predicted PM via overall accuracy and Kappa coefficient. Maps built with models excluding PCA had an overall accuracy ranging from 0.87 to 0.96 and kappa coefficient ranging from 0.74 to 0.91. Maps generated with PCA based models reached 100% overall accuracy. Prediction of PM using pXRF with samples from either A or B horizon and machine learning algorithms offers solid results even when applied in large areas with high land use and soil class variability. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier B.V. | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Geoderma | - |
| Palavras-chave: dc.subject | Pedology | - |
| Palavras-chave: dc.subject | Parent material | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Digital soil mapping | - |
| Palavras-chave: dc.subject | Prediction models | - |
| Palavras-chave: dc.subject | Tropical soils | - |
| Palavras-chave: dc.subject | Pedologia | - |
| Palavras-chave: dc.subject | Aprendizagem de máquina | - |
| Palavras-chave: dc.subject | Mapeamento digital do solo | - |
| Palavras-chave: dc.subject | Modelos de predição | - |
| Palavras-chave: dc.subject | Solos tropicais | - |
| Título: dc.title | Parent material distribution mapping from tropical soils data via machine learning and portable X-ray fluorescence (pXRF) spectrometry in Brazil | - |
| 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: