Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera

Bibliographic Details
Main Author: Silva, Paulo Alexandre da [UNESP]
Publication Date: 2022
Format: Doctoral thesis
Language: por
Source: Repositório Institucional da UNESP
Download full: https://hdl.handle.net/11449/259883
http://lattes.cnpq.br/9392990671396360
https://orcid.org/0000-0001-6079-8817
Summary: Neste trabalho, foram gerados modelos para predizer a emissão de CO2 do solo (FCO2), em função das variáveis que compõem o sistema solo planta-atmosfera, utilizando técnicas de machine learning em áreas agrícolas cultivadas com cana-de-açúcar, nos estados de São Paulo e Mato Grosso do Sul. Os estudos foram realizados a partir de um conjunto de dados, oriundos de experimentos conduzidos em áreas de cana-de-açúcar nos municípios de Guariba (SP), Pradópolis (SP) e Aparecida do Taboado (MS). As determinações da FCO2 foram registradas nas áreas de estudo pelo sistema LI-COR (LI-8100). No estudo 1 foi obtido o seguinte modelo mecanístico: FCO2 = 2,5938 + 0,0065*matéria orgânica prevista – 0,0401*porosidade livre d’água prevista. O valor do coeficiente de determinação do modelo foi de R2 = 0,824, e o seu respectivo valor ajustado foi R2ajustado = 0,807. No estudo 2 foram testados 11 algoritmos de machine learning para determinar a emissão do CO2 do solo, em função dos atributos que compõem o sistema solo-planta-atmo
id UNSP_9c0046761f7a2c8e82c5bc9b0c3209dd
oai_identifier_str oai:repositorio.unesp.br:11449/259883
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosferaUse of different machine learning techniques in the process of determining soil CO2 emissions, based on the attributes of the soil-plant-atmosphere systemUso de diferentes técnicas de aprendizaje automático en el proceso de determinación de las emisiones de CO2 del suelo, en función de los atributos del sistema suelo-planta-atmósferaMachine learningGases de efeito estufaRespiração do soloEmissão de CO2 do soloGreenhouse gasesSoil respirationSoil CO2 emissionNeste trabalho, foram gerados modelos para predizer a emissão de CO2 do solo (FCO2), em função das variáveis que compõem o sistema solo planta-atmosfera, utilizando técnicas de machine learning em áreas agrícolas cultivadas com cana-de-açúcar, nos estados de São Paulo e Mato Grosso do Sul. Os estudos foram realizados a partir de um conjunto de dados, oriundos de experimentos conduzidos em áreas de cana-de-açúcar nos municípios de Guariba (SP), Pradópolis (SP) e Aparecida do Taboado (MS). As determinações da FCO2 foram registradas nas áreas de estudo pelo sistema LI-COR (LI-8100). No estudo 1 foi obtido o seguinte modelo mecanístico: FCO2 = 2,5938 + 0,0065*matéria orgânica prevista – 0,0401*porosidade livre d’água prevista. O valor do coeficiente de determinação do modelo foi de R2 = 0,824, e o seu respectivo valor ajustado foi R2ajustado = 0,807. No estudo 2 foram testados 11 algoritmos de machine learning para determinar a emissão do CO2 do solo, em função dos atributos que compõem o sistema solo-planta-atmoIn this work, models were generated to predict soil CO2 emission (FCO2), as a function of the variables that make up the soil-plant-atmosphere system, using machine learning techniques in agricultural areas cultivated with sugarcane, in the states of São Paulo and Mato Grosso do Sul. The studies were carried out from a set of data from experiments carried out in sugarcane areas in the municipalities of Guariba (SP), Pradópolis (SP) and Aparecida do Taboado (MS). FCO2 determinations were recorded in the study areas by the LI-COR system (LI-8100). In study 1, the following mechanistic model was obtained: FCO2= 2,5938 + 0,0065*predicted organic matter – 0,0401*predicted water-free porosity. The value of the coefficient of determination of the model was R2 = 0,824, and its respective adjusted value was R2 adjusted = 0,807. In study 2, 11 machine learning algorithms were tested to determine the emission of CO2 from the soil, depending on the attributes that make up the soil-plant-atmosphere system and the algorithEn este trabajo se generaron modelos para predecir las emisiones de CO2 del suelo (FCO2), a partir de las variables que componen el sistema suelo-planta-atmósfera, utilizando técnicas de aprendizaje automático en áreas agrícolas cultivadas con caña de azúcar, en los estados de São Paulo y Mato Grosso do Sul. Los estudios se realizaron utilizando un conjunto de datos provenientes de experimentos realizados en áreas de caña de azúcar en los municipios de Guariba (SP), Pradópolis (SP) y Aparecida do Taboado (MS). Las determinaciones de FCO2 se registraron en las áreas de estudio mediante el sistema LI-COR (LI-8100). En el estudio 1, se obtuvo el siguiente modelo mecanístico: FCO2 = 2,5938 + 0,0065*materia orgánica prevista – 0,0401*porosidad libre de agua prevista. El valor del coeficiente de determinación del modelo fue R2 = 0,824, y su respectivo valor ajustado fue R2ajustado = 0,807. En el estudio 2, se probaron 11 algoritmos de aprendizaje automático para determinar las emisiones de CO2 del suelo, con base eCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)CAPES: 88882.433746/2019-01Universidade Estadual Paulista (Unesp)Rolim, Glauco de Souza [UNESP]UNESP - Faculdade de Ciências Agrárias e Veterinárias - Câmpus de JaboticabalUniversidade Estadual Paulista (Unesp)Panosso, Alan RodrigoSilva, Paulo Alexandre da [UNESP]2025-01-23T10:50:32Z2025-01-23T10:50:32Z2022-09-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfSILVA, P. A. Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera. 2025. 209 f. Tese (Doutorado em Agronomia ) - Universidade Estadual Paulista "Julio de Mesquita Filho", Jaboticabal, 2022.https://hdl.handle.net/11449/25988333004102071P2http://lattes.cnpq.br/9392990671396360https://orcid.org/0000-0001-6079-8817porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2025-01-23T15:08:16Zoai:repositorio.unesp.br:11449/259883Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462025-01-23T15:08:16Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
Use of different machine learning techniques in the process of determining soil CO2 emissions, based on the attributes of the soil-plant-atmosphere system
Uso de diferentes técnicas de aprendizaje automático en el proceso de determinación de las emisiones de CO2 del suelo, en función de los atributos del sistema suelo-planta-atmósfera
title Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
spellingShingle Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
Silva, Paulo Alexandre da [UNESP]
Machine learning
Gases de efeito estufa
Respiração do solo
Emissão de CO2 do solo
Greenhouse gases
Soil respiration
Soil CO2 emission
title_short Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
title_full Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
title_fullStr Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
title_full_unstemmed Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
title_sort Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera
author Silva, Paulo Alexandre da [UNESP]
author_facet Silva, Paulo Alexandre da [UNESP]
author_role author
dc.contributor.none.fl_str_mv Rolim, Glauco de Souza [UNESP]
UNESP - Faculdade de Ciências Agrárias e Veterinárias - Câmpus de Jaboticabal
Universidade Estadual Paulista (Unesp)
Panosso, Alan Rodrigo
dc.contributor.author.fl_str_mv Silva, Paulo Alexandre da [UNESP]
dc.subject.por.fl_str_mv Machine learning
Gases de efeito estufa
Respiração do solo
Emissão de CO2 do solo
Greenhouse gases
Soil respiration
Soil CO2 emission
topic Machine learning
Gases de efeito estufa
Respiração do solo
Emissão de CO2 do solo
Greenhouse gases
Soil respiration
Soil CO2 emission
description Neste trabalho, foram gerados modelos para predizer a emissão de CO2 do solo (FCO2), em função das variáveis que compõem o sistema solo planta-atmosfera, utilizando técnicas de machine learning em áreas agrícolas cultivadas com cana-de-açúcar, nos estados de São Paulo e Mato Grosso do Sul. Os estudos foram realizados a partir de um conjunto de dados, oriundos de experimentos conduzidos em áreas de cana-de-açúcar nos municípios de Guariba (SP), Pradópolis (SP) e Aparecida do Taboado (MS). As determinações da FCO2 foram registradas nas áreas de estudo pelo sistema LI-COR (LI-8100). No estudo 1 foi obtido o seguinte modelo mecanístico: FCO2 = 2,5938 + 0,0065*matéria orgânica prevista – 0,0401*porosidade livre d’água prevista. O valor do coeficiente de determinação do modelo foi de R2 = 0,824, e o seu respectivo valor ajustado foi R2ajustado = 0,807. No estudo 2 foram testados 11 algoritmos de machine learning para determinar a emissão do CO2 do solo, em função dos atributos que compõem o sistema solo-planta-atmo
publishDate 2022
dc.date.none.fl_str_mv 2022-09-22
2025-01-23T10:50:32Z
2025-01-23T10:50:32Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA, P. A. Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera. 2025. 209 f. Tese (Doutorado em Agronomia ) - Universidade Estadual Paulista "Julio de Mesquita Filho", Jaboticabal, 2022.
https://hdl.handle.net/11449/259883
33004102071P2
http://lattes.cnpq.br/9392990671396360
https://orcid.org/0000-0001-6079-8817
identifier_str_mv SILVA, P. A. Utilização de diferentes técnicas de machine learning no processo de determinação da emissão da CO2 do solo, em função dos atributos do sistema solo-planta-atmosfera. 2025. 209 f. Tese (Doutorado em Agronomia ) - Universidade Estadual Paulista "Julio de Mesquita Filho", Jaboticabal, 2022.
33004102071P2
url https://hdl.handle.net/11449/259883
http://lattes.cnpq.br/9392990671396360
https://orcid.org/0000-0001-6079-8817
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1834483277342179328

Similar Items