???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1582
Tipo do documento: Tese
Título: Aprendizagem de máquina e análise de componentes principais na avaliação de qualidade do solo com pastagens
Título(s) alternativo(s): Machine learging anda analysis od main components in soil quality assessment with pastures
Autor: Oikawa, Ronaldo Toshiaki 
Primeiro orientador: Araújo, Fábio Fernando
Primeiro coorientador: Osco, Lucas Prado
Segundo coorientador: Ramos, Ana Paula Marques
Primeiro membro da banca: Mazzuchelli, Rita de Cássia Lima
Segundo membro da banca: Tiritan, Carlos Sérgio
Terceiro membro da banca: Lupatini, Gelci Carlos
Quarto membro da banca: Artero, Almir Olivette
Resumo: O solo pode ser analisado sob a ótica de várias perspectivas, sendo elas enzimas do solo, β-glucosidase, celulase, xilanase e amilase são importantes para a decomposição de matéria orgânica, respiração do solo, que envolvem os microrganismos que liberam CO2 durante a decomposição, sendo processo crucial para o ciclo do carbono. Para abordar essa área em um modelo matemático, pode-se considerar medir as taxas de atividade enzimática e respiração do solo e correlacioná-las com variáveis ambientais e de manejo, outro elemento é o quociente microbiano (qMic) e quociente metabólico (qCO2). Que avalia a eficiência dos microrganismos em utilizar carbono orgânico disponível (qMic). Já o qCO2, relaciona a respiração do solo com a biomassa microbiana, sendo um indicador de eficiência na utilização de carbono orgânico. Este projeto tem como objetivo criar um modelo matemático pode envolver a correlação destes quocientes com variáveis ambientais para entender os fatores que influenciam a atividade microbiana, atributos químicos e físicos do solo. No capítulo 2, é trabalhado o modelo principal componente análise (PCA) que auxilia na redução e complexidade do modelo e gerando métricas apropriadas como F1-score, facilitando a interpretação e o processamento. Já no capítulo 1, para alcançar a máxima generalização e acurácia dos resultados são trabalhados o aprendizado de máquina não supervisionado, Mapas Auto-organizáveis (SOM), com a estratégia de reduzir a dimensionalidade da matriz de valores, a Floresta Aleatória (RF), para minimizar os atributos, e na última cadeia de avaliação o ranqueamento desses atributos, para melhor disponibilizar e formar novas visões para a interpretação. Todos os dados, passam por um pré-processamento submetidos em cada modelo buscando a máxima generalização, para que consiga atender o maior número de tipos de solo, e a máxima acurácia. Em todos os modelos utilizados há importância de cada característica em cada modelo para identificar quais atributos devem ser mantidos ou descartados. Ao combinar essas abordagens, isso ajuda a otimizar os recursos disponíveis e a simplificar o processo de análise e tomada de decisão.
Abstract: Soil can be analyzed from several perspectives, such as soil enzymes, β-glucosidase, cellulase, xylanase and amylase, which are important for the decomposition of organic matter, soil respiration, which involve microorganisms that release CO2 during decomposition, being a crucial process for the carbon cycle. To address this area in a mathematical model, one can consider measuring the rates of enzyme activity and soil respiration and correlating them with environmental and management variables, another element is the microbial quotient (qMic) and metabolic quotient (qCO2). Which evaluates the efficiency of microorganisms in using available organic carbon (qMic). qCO2, on the other hand, relates soil respiration to microbial biomass, being an indicator of efficiency in the use of organic carbon. This project aims to create a mathematical model that can involve the correlation of these quotients with environmental variables to understand the factors that influence microbial activity, chemical and physical attributes of the soil. In chapter 1, the main component analysis (PCA) model is worked on, which helps to reduce the complexity of the model and generate appropriate metrics such as F1-score, facilitating interpretation and processing. In chapter 2, to achieve maximum generalization and accuracy of results, unsupervised machine learning, Self-Organizing Maps (SOM), is used with the strategy of reducing the dimensionality of the matrix of values, the Random Forest (RF), to minimize the attributes, and in the last evaluation chain the ranking of these attributes, to better make available and form new views for interpretation. All data undergoes pre-processing submitted in each model seeking maximum generalization, so that it can cover the largest number of soil types, and maximum accuracy. In all models used, each characteristic is important in each model to identify which attributes should be maintained or discarded. By combining these approaches, it helps to optimize available resources and simplify the analysis and decision-making process.
Palavras-chave: enzimas microbiológicas, aprendizado de máquina, modelo estatísco, física do solo, química do solo.
microbiological enzymes, machine learning, statistical model, soil physics, soil chemistry.
Área(s) do CNPq: CIENCIAS AGRARIAS::AGRONOMIA
Idioma: por
País: Brasil
Instituição: Universidade do Oeste Paulista
Sigla da instituição: UNOESTE
Departamento: Doutorado em Agronomia
Programa: Doutorado em Agronomia
Citação: Oikawa, Ronaldo Toshiaki. Aprendizagem de máquina e análise de componentes principais na avaliação de qualidade do solo com pastagens. 2023. 87f. Tese (Doutorado em Agronomia) - Universidade do Oeste Paulista, Presidente Prudente, 2023.
Tipo de acesso: Acesso Aberto
URI: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1582
Data de defesa: 26-Oct-2023
Appears in Collections:Doutorado em Agronomia

Files in This Item:
File Description SizeFormat 
Ronaldo Toshiaki Oikawa.pdfRonaldo Toshiaki Oikawa4,33 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.