
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 | Andrade, Renata | - |
| Autor(es): dc.creator | Silva, Sérgio Henrique Godinho | - |
| Autor(es): dc.creator | Weindorf, David C. | - |
| Autor(es): dc.creator | Chakraborty, Somsubhra | - |
| Autor(es): dc.creator | Faria, Wilson Missina | - |
| Autor(es): dc.creator | Guilherme, Luiz Roberto Guimarães | - |
| Autor(es): dc.creator | Curi, Nilton | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:23:48Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:23:48Z | - |
| Data de envio: dc.date.issued | 2021-09-02 | - |
| Data de envio: dc.date.issued | 2021-09-02 | - |
| Data de envio: dc.date.issued | 2020-11 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/48030 | - |
| Fonte completa do material: dc.identifier | https://doi.org/10.1016/j.geodrs.2020.e00331 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1160453 | - |
| Descrição: dc.description | Proper soil taxonomic classification makes a significant contribution toward sustainable soil management, decision making, and soil conservation. For that, a quick, environmentally-friendly, non-invasive, cost-effective and reliable method for soil class assessment is desirable. As such, this study used NixPro color and portable X-ray fluorescence (pXRF) data to characterize seven different soil orders in Brazilian tropical soils, exploring the ability of three machine learning algorithms [Support Vector Machine with Linear Kernel (SVMLK), Artificial Neural Network (ANN), and Random Forest (RF)] with and without Principal Component Analysis (PCA) pretreatment for prediction of different soils at the order and suborder taxonomic levels under both dry and moist conditions. In total, 734 soil samples were collected from surface and subsurface horizons encompassing twelve suborders. The soil profiles were morphologically described and taxonomy classified per the Brazilian Soil Classification System and the approximate correspondence was made with the US Soil Taxonomy. Soil samples were separated into modeling (70%) and validation (30%) sub-datasets, overall accuracy and Cohen's Kappa coefficient evaluated model quality. Models generated from B horizon sample with pXRF and NixPro (moist samples) data combined delivered the best accuracy for order (81.19% overall accuracy and 0.71 Kappa index) and suborder predictions (74.35% overall accuracy and 0.65 Kappa index) through RF algorithm without PCA pretreatment. Summarily, the use of these two portable sensor systems was shown effective at accurately predicting different soil orders and suborders in tropical soils. Future works should extend the results of this study to temperate regions to corroborate the conclusions presented herein. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Geoderma Regional | - |
| Palavras-chave: dc.subject | pXRF | - |
| Palavras-chave: dc.subject | NixPro color sensor | - |
| Palavras-chave: dc.subject | Soil classification | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Kappa coefficient | - |
| Palavras-chave: dc.subject | Sensor de cores NixPro | - |
| Palavras-chave: dc.subject | Classificação do solo | - |
| Palavras-chave: dc.subject | Aprendizado de máquina | - |
| Palavras-chave: dc.subject | Coeficiente Kappa | - |
| Título: dc.title | Tropical soil order and suborder prediction combining optical and X-ray approaches | - |
| 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: