Aprendizagem de máquina e análise de componentes principais na avaliação de qualidade do solo com pastagens

• Ano de defesa: 2023
• Autor(a) principal: Oikawa, Ronaldo Toshiaki
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Oeste Paulista; Doutorado em Agronomia; Brasil; UNOESTE
• Palavras-chave em Português: enzimas microbiológicas, aprendizado de máquina, modelo estatísco, física do solo, química do solo.; microbiological enzymes, machine learning, statistical model, soil physics, soil chemistry.; CIENCIAS AGRARIAS::AGRONOMIA
• Link de acesso: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1582

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.