
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 | Casanova, Dalcimar | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-1905-4602 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/4155115530052195 | - |
| Autor(es): dc.contributor | Tonial, Larissa Macedo dos Santos | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-7046-0788 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/9439814411927273 | - |
| Autor(es): dc.contributor | Backes, André Ricardo | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/8590140337571249 | - |
| Autor(es): dc.contributor | Casanova, Dalcimar | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-1905-4602 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/4155115530052195 | - |
| Autor(es): dc.contributor | Oliva, Jefferson Tales | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0003-1574-1293 | - |
| Autor(es): dc.contributor | https://lattes.cnpq.br/5086431818930800 | - |
| Autor(es): dc.creator | Rinaldi, Juliano Tiago | - |
| Data de aceite: dc.date.accessioned | 2026-08-11T10:52:46Z | - |
| Data de disponibilização: dc.date.available | 2026-08-11T10:52:46Z | - |
| Data de envio: dc.date.issued | 2025-09-26 | - |
| Data de envio: dc.date.issued | 2025-09-26 | - |
| Data de envio: dc.date.issued | 2025-08-29 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/38389 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1183891 | - |
| Descrição: dc.description | The accurate classification of soils and the prediction of their chemical properties, such as carbon and nitrogen content, are fundamental in several fields, including agriculture, geology, and environmental management. Traditional methods for soil classification and analysis are often expensive, time-consuming, and dependent on specialized professionals, which limits their sca- lability, especially in regions with diverse terrain or limited resources. This study proposes two complementary approaches based on image analysis and deep learning. In the first study, focused on soil classification, a pre-trained convolutional neural network (ResNet50) achieved a balanced accuracy of 93.73% on the test set. In contrast, applying a majoritarian voting method to the window predictions from the first experiment resulted in an impressive balanced accuracy of 100% in distinguishing between Latosols and Cambisols, two common soil types in southern Brazil. In the second study, we aimed to approximate the predictions of carbon and nitrogen content to the real measured values. For this, a fine-tuned EfficientNetV2-S model was used for regression, with two experiments conducted: one predicting values for segmented windows from the images and another using the median of the window predictions for each soil sample. The latter approach significantly improved performance, achieving an R² of 0.7425 for carbon and 0.7774 for nitrogen. These methods offer faster, non-destructive, and scalable alternatives to traditional laboratory analyses, contributing to sustainable agricultural practices and facilitating soil classification and management in resource-limited contexts. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
| Descrição: dc.description | A classificação precisa de solos e a predição de suas propriedades químicas, como o teor de carbono e nitrogênio, são fundamentais em diversas áreas, incluindo agricultura, geologia e gestão ambiental. Métodos tradicionais de classificação e análise de solos são frequentemente caros, demorados e dependem de profissionais especializados, o que limita sua escalabilidade, especialmente em regiões com terrenos diversos ou recursos limitados. Este estudo propõe duas abordagens complementares baseadas em análise de imagens e aprendizado profundo. No primeiro estudo, trabalhamos na classificação de solos, uma rede neural convolucional pré-treinada (ResNet50) alcançou uma acurácia balanceada de 93,73% no conjunto de teste, em contrapartida, aplicamos o método de combinação por votação majoritária às predições das janelas realizadas sobre o primeiro experimento, assim, este método resultou em uma impressionante acurácia balanceada de 100,0% na distinção entre Latossolos e Cambissolos, dois tipos de solo comuns no sul do Brasil. No segundo estudo, objetivamos aproximar as predições dos teores de carbono e nitrogênio dos valores reais medidos, para isso, foi utilizado um modelo EfficientNetV2-S ajustado para regressão, com dois experimentos realizados: um prevendo valores para janelas segmentadas das imagens e outro utilizando a mediana das predições das janelas para cada amostra de solo. Este último melhorou significativamente o desempenho, alcançando um R² de 0,7425 para o carbono e 0,7774 para o nitrogênio. Esses métodos oferecem alternativas mais rápidas, não destrutivas e escaláveis em relação às análises laboratoriais tradicionais, contribuindo para práticas agrícolas sustentáveis e facilitando a classificação e o manejo do solo em contextos com recursos limitados. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Pato Branco | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e de Computação | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | https://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Solos | - |
| Palavras-chave: dc.subject | Carbono | - |
| Palavras-chave: dc.subject | Solos - Teor de nitrogênio | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Soils | - |
| Palavras-chave: dc.subject | Carbon | - |
| Palavras-chave: dc.subject | Soils - Nitrogen content | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
| Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
| Título: dc.title | Uma nova abordagem para classificação e avaliação de carbono e nitrogênio de solos por análise de imagem: um caso de estudo com latossolos e cambissolos | - |
| Título: dc.title | A new approach for classification and assessment of soil carbon and nitrogen through image analysis: a case study with oxisols and inceptisols | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
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: