| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Epagri-Sede. |
|
Data corrente: |
21/11/2018 |
|
Data da última atualização: |
21/11/2018 |
|
Tipo da produção científica: |
Resumo em Anais de Congresso |
|
Autoria: |
CAMPOS, A. R.; GIASSON, E.; COSTA, J. J. F.; SILVA, E. B.; MACHADO, I. R.; COELHO, F. F. |
|
Título: |
Uso de Random Forest e Árvores de Decisão no mapeamento digital de solos. |
|
Ano de publicação: |
2017 |
|
Fonte/Imprenta: |
In: CONGRESSO BRASILEIRO DE CIÊNCIA DO SOLO, 36., 2017, Belém. Resumos... Viçosa: Sociedade Brasileira de Ciência do Solo, 2017. |
|
Idioma: |
Português |
|
Conteúdo: |
Atualmente no mapeamento digital de solos são utilizados diversos algoritmos
de aprendizagem de máquina para predição de classes ou propriedades de solos. Dentre esses,
tem destaque a Árvore de Decisão (AD), a qual tem sido mais utilizada por apresentar
melhores resultados. No entanto, por utilizar uma única árvore para predição da variável
resposta, a AD pode apresentar grande complexidade e até mesmo inviabilizar sua utilização
no MDS. Uma alternativa é a utilização da Random Forest (RF), a qual faz uso de n ADs para
predizer uma mesma variável resposta. Assim objetivou-se avaliar e comparar o desempenho
de AD e RF na predição de classes de solo. Material e Métodos - A área de estudo foi o Vale
dos Vinhedos (RS), com uma área de 8.120 ha, que dispõe de um mapa de solos na escala de
1:10.000, com 156 classes de solo, as quais foram utilizadas para treinar o modelo preditor
utilizando AD (m=5) e RF (ntree=200). Para predição foram utilizadas 11 covariáveis
preditoras (actslope, orientação de vertentes, nível de base da rede de drenagem, curvatura
longitudinal, elevação, relação entre radiação direta e difusa, distância dos rios, densidade de
drenagem, insolação difusa, declividade, posição relativa da declividade e profundidade do
vale) derivadas de um modelo digital de elevação com resolução de 10 m. Para treinamento
dos modelos foi utilizado uma amostragem estratificada com cerca de 50.000 pontos. A
concordância entre o mapa predito e o mapa de referência foi realizada por matriz de erro, da
qual foram calculadas as acurácias do mapeador (AM) e geral (AG) e índice Kappa.
Resultados e Discussão ? Nos métodos de aprendizagem testados foi possível predizer todas
as 156 classes presentes no mapa de referência. No mapa predito pela AD, AG foi de 60% e
índice Kappa de 59%. Já no mapa predito pela RF, a AG e o índice Kappa foram de 84%,
sendo esse resultado atribuído à menor complexidade da RF, uma vez que não é necessário
concentrar todas as predições em uma única AD. A AM foi inferior a 60% em 49 classes do
mapa predito pela AD e em apenas cinco classes do mapa predito pela RF, acompanhando o
padrão de AG obtido pelos dois métodos. Os valores do índice Kappa para ambos os
algoritmos indicam que o conjunto de variáveis preditoras foi satisfatório na predição da
variável resposta, uma vez que apenas cerca de 40% das classificações foram realizadas ao
acaso. Assim como para a AG, quanto maior a necessidade de subdivisão na AD para
discriminação das classes, maior será a complexidade do modelo e consequentemente maior
probabilidade de erro e de haver classificações realizadas ao acaso, reduzindo o índice Kappa.
Conclusão ? Em todos os aspectos avaliados a RF produziu resultados superiores ao da AD. MenosAtualmente no mapeamento digital de solos são utilizados diversos algoritmos
de aprendizagem de máquina para predição de classes ou propriedades de solos. Dentre esses,
tem destaque a Árvore de Decisão (AD), a qual tem sido mais utilizada por apresentar
melhores resultados. No entanto, por utilizar uma única árvore para predição da variável
resposta, a AD pode apresentar grande complexidade e até mesmo inviabilizar sua utilização
no MDS. Uma alternativa é a utilização da Random Forest (RF), a qual faz uso de n ADs para
predizer uma mesma variável resposta. Assim objetivou-se avaliar e comparar o desempenho
de AD e RF na predição de classes de solo. Material e Métodos - A área de estudo foi o Vale
dos Vinhedos (RS), com uma área de 8.120 ha, que dispõe de um mapa de solos na escala de
1:10.000, com 156 classes de solo, as quais foram utilizadas para treinar o modelo preditor
utilizando AD (m=5) e RF (ntree=200). Para predição foram utilizadas 11 covariáveis
preditoras (actslope, orientação de vertentes, nível de base da rede de drenagem, curvatura
longitudinal, elevação, relação entre radiação direta e difusa, distância dos rios, densidade de
drenagem, insolação difusa, declividade, posição relativa da declividade e profundidade do
vale) derivadas de um modelo digital de elevação com resolução de 10 m. Para treinamento
dos modelos foi utilizado uma amostragem estratificada com cerca de 50.000 pontos. A
concordância entre o ma... Mostrar Tudo |
|
Palavras-Chave: |
Algoritmos de classificação; mapas legados; predição de solos. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
Marc: |
LEADER 03641naa a2200217 a 4500
001 1127956
005 2018-11-21
008 2017 bl uuuu u00u1 u #d
100 1 $aCAMPOS, A. R.
245 $aUso de Random Forest e Árvores de Decisão no mapeamento digital de solos.$h[electronic resource]
260 $c2017
520 $aAtualmente no mapeamento digital de solos são utilizados diversos algoritmos de aprendizagem de máquina para predição de classes ou propriedades de solos. Dentre esses, tem destaque a Árvore de Decisão (AD), a qual tem sido mais utilizada por apresentar melhores resultados. No entanto, por utilizar uma única árvore para predição da variável resposta, a AD pode apresentar grande complexidade e até mesmo inviabilizar sua utilização no MDS. Uma alternativa é a utilização da Random Forest (RF), a qual faz uso de n ADs para predizer uma mesma variável resposta. Assim objetivou-se avaliar e comparar o desempenho de AD e RF na predição de classes de solo. Material e Métodos - A área de estudo foi o Vale dos Vinhedos (RS), com uma área de 8.120 ha, que dispõe de um mapa de solos na escala de 1:10.000, com 156 classes de solo, as quais foram utilizadas para treinar o modelo preditor utilizando AD (m=5) e RF (ntree=200). Para predição foram utilizadas 11 covariáveis preditoras (actslope, orientação de vertentes, nível de base da rede de drenagem, curvatura longitudinal, elevação, relação entre radiação direta e difusa, distância dos rios, densidade de drenagem, insolação difusa, declividade, posição relativa da declividade e profundidade do vale) derivadas de um modelo digital de elevação com resolução de 10 m. Para treinamento dos modelos foi utilizado uma amostragem estratificada com cerca de 50.000 pontos. A concordância entre o mapa predito e o mapa de referência foi realizada por matriz de erro, da qual foram calculadas as acurácias do mapeador (AM) e geral (AG) e índice Kappa. Resultados e Discussão ? Nos métodos de aprendizagem testados foi possível predizer todas as 156 classes presentes no mapa de referência. No mapa predito pela AD, AG foi de 60% e índice Kappa de 59%. Já no mapa predito pela RF, a AG e o índice Kappa foram de 84%, sendo esse resultado atribuído à menor complexidade da RF, uma vez que não é necessário concentrar todas as predições em uma única AD. A AM foi inferior a 60% em 49 classes do mapa predito pela AD e em apenas cinco classes do mapa predito pela RF, acompanhando o padrão de AG obtido pelos dois métodos. Os valores do índice Kappa para ambos os algoritmos indicam que o conjunto de variáveis preditoras foi satisfatório na predição da variável resposta, uma vez que apenas cerca de 40% das classificações foram realizadas ao acaso. Assim como para a AG, quanto maior a necessidade de subdivisão na AD para discriminação das classes, maior será a complexidade do modelo e consequentemente maior probabilidade de erro e de haver classificações realizadas ao acaso, reduzindo o índice Kappa. Conclusão ? Em todos os aspectos avaliados a RF produziu resultados superiores ao da AD.
653 $aAlgoritmos de classificação
653 $amapas legados
653 $apredição de solos
700 1 $aGIASSON, E.
700 1 $aCOSTA, J. J. F.
700 1 $aSILVA, E. B.
700 1 $aMACHADO, I. R.
700 1 $aCOELHO, F. F.
773 $tIn: CONGRESSO BRASILEIRO DE CIÊNCIA DO SOLO, 36., 2017, Belém. Resumos... Viçosa: Sociedade Brasileira de Ciência do Solo, 2017.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Epagri-Sede (Epagri-Sede) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
|
|
| Registros recuperados : 4 | |
| 1. |  | COELHO, F. F.; GIASSON, E.; CAMPOS, A. R.; COSTA, J. J. F.; COBLINSKI, J. A.; SILVA, E. B. ARTIFICIAL NEURAL NETWORKS AND OBJECT-BASED CLASSIFICATION FOR DIGITAL SOIL MAPPING. In: WORLD CONGRESS OF SOIL SCIENCE, 21., 2018, Rio de janeiro. Abstracts... Viçosa: Sociedade Brasileira de Ciência do Solo, 2018.| Tipo: Resumo em Anais de Congresso |
| Biblioteca(s): Epagri-Sede. |
|  |
| 2. | | COSTA, J. J. F.; SILVA, E. B.; COELHO, F. F.; TIECHER, T.; BISSANI, C. A.; FILIPPI, D. Atributos químicos relacionados à acidez e capacidade de troca de cátions de solos do Rio Grande do Sul com diferentes graus de intemperização. Acta Iguazu, Cascavel, v. 8, n. 2, p. 81-100, 2019.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: Nacional - B |
| Biblioteca(s): Epagri-Sede. |
| |
| 3. | | COSTA, J. J. F.; GIASSON, É.; CAMPOS, A. R.; SILVA, E. B.; MACHADO, I. R.; COELHO, F. F. REGRESSÕES LOGÍSTICAS MÚLTIPLAS E ÁRVORES DE DECISÃO NA PREDIÇÃO DE UNIDADES FISIOGRÁFICAS. In: CONGRESSO BRASILEIRO DE CIÊNCIA DO SOLO, 36., 2017, Belém. Resumos... Viçosa: Sociedade Brasileira de Ciência do Solo, 2017.| Tipo: Resumo em Anais de Congresso |
| Biblioteca(s): Epagri-Sede. |
| |
| 4. | | CAMPOS, A. R.; GIASSON, E.; COSTA, J. J. F.; SILVA, E. B.; MACHADO, I. R.; COELHO, F. F. Uso de Random Forest e Árvores de Decisão no mapeamento digital de solos. In: CONGRESSO BRASILEIRO DE CIÊNCIA DO SOLO, 36., 2017, Belém. Resumos... Viçosa: Sociedade Brasileira de Ciência do Solo, 2017.| Tipo: Resumo em Anais de Congresso |
| Biblioteca(s): Epagri-Sede. |
| |
| Registros recuperados : 4 | |
|
| Expressão de busca inválida. Verifique!!! |
|
|
