Banca de DEFESA: HUGO MACHADO RODRIGUES

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : HUGO MACHADO RODRIGUES
DATA : 17/02/2025
HORA: 09:00
LOCAL: videoconferência
TÍTULO:

autoRA: Um algoritmo para delineamento automático de áreas de referência para suporte à amostragem otimizada do solo

PALAVRAS-CHAVES:

Mapeamento Digital de Solos; Modelagem Preditiva; Estratégias de amostragem.

PÁGINAS: 30
RESUMO:

O algoritmo autoRA é uma metodologia baseada em dados projetada para delinear Áreas de Referência (RAs) que capturam fatores críticos de formação do solo, aprimorando os fluxos de trabalho de mapeamento digital do solo (DSM). Ao aproveitar o Índice de Dissimilaridade de Gower, o autoRA determina sistematicamente o tamanho ideal da área alvo e as configurações de resolução espacial, equilibrando desempenho preditivo e custo-benefício. Para avaliar sua eficácia, o autoRA foi testado em três cenários distintos.

No primeiro cenário, realizado no Rio de Janeiro e na Flórida, examinamos o efeito da resolução espacial no cálculo do Índice de Gower e o impacto do tamanho da área-alvo no desempenho do modelo. O modelo preditivo foi desenvolvido para estimar uma Superfície Teórica Simulada (STS) usando uma única iteração. O Modelo de Área de Referência (RAM) ideal com uma área alvo de 50% e um tamanho de bloco de 10 pixels alcançou valores de Distância Euclidiana (DE) (0,15 no Rio de Janeiro e 0,38 na Flórida), aproximando-se dos resultados da amostragem exaustiva e reduzindo os custos em aproximadamente 61% e 63%, respectivamente.

No segundo cenário, o autoRA foi aplicado a uma classificação de unidade de solo já mapeada em Sátiro Dias, Bahia, Brasil. Como este estudo teve uma RA delineada manualmente por um especialista e amostras de solo coletadas de acordo com uma estrutura completa de perfil de solo, a autoRA foi aplicada usando as mesmas covariáveis do especialista. Testamos RAs em 10%, 20%, 30%, 40% e 50%, cruzando as RAs propostas com os locais reais da amostra. As amostras internas foram usadas para treinamento do modelo, enquanto as amostras externas validaram a extrapolação das previsões. Com 40% de cobertura de RA, o erro de predição usando autoRA foi menor do que o da RA delineada manualmente. Além disso, mapas de classe de solo RA gerados manualmente e autoRA foram comparados com 100 iterações de modelagem Random Forest usando a abordagem DSM convencional, onde os conjuntos de dados foram divididos aleatoriamente (70% de treinamento, 30% de validação). Essa validação iterativa confirmou a robustez das previsões do autoRA.

O terceiro cenário explorou diferentes proporções de pixels classificados como baixa ou alta Dissimilaridade de Gower. A mesma abordagem de treinamento interno e validação externa foi aplicada. Os resultados demonstraram que o foco em regiões de alta dissimilaridade permitiu a redução das áreas amostradas, mantendo a precisão preditiva. A abordagem de Área Total (AT) também foi testada com tamanhos de amostra variando de 100 a 1.000. O modelo AT desenvolvido usando 100 iterações de divisões de 70% a 30% mostrou que a redução do tamanho da amostra resultou em uma melhoria de 20% no DE em comparação com o benchmark de 1.000 amostras. O conjunto de dados de 800 amostras foi identificado como a referência ideal para modelagem de AT. Para testar o efeito do mosaico de áreas de alta e baixa dissimilaridade, mantivemos o limite de melhoria de 20% no DE, usando 800 como uma nova referência. Os resultados demonstraram que um conjunto de dados de 600 amostras focado no RA de 40% delineado pelo autoRA produziu métricas de DE comparáveis ao modelo previsto do AT-STS.

A análise de sensibilidade usando simulações STS permitiu testes extensivos de configurações de parâmetros, confirmando que as configurações de autoRA mais eficazes priorizam regiões de alta dissimilaridade. Tão importante quanto determinar o número de pontos para uma previsão precisa é decidir onde colocá-los. A abordagem autoRA responde a essa pergunta simulando várias configurações, fornecendo expectativas de precisão e custo, honrando o conhecimento da dissimilaridade da paisagem e evitando amostragem redundante.

MEMBROS DA BANCA:
Externo à Instituição - DIEGO NUNES BRANDÃO - CEFET/RJ
Externo à Instituição - FABRÍCIO DA SILVA TERRA - UFVJM
Interna - 2223668 - HELENA SARAIVA KOENOW PINHEIRO
Interna - 387335 - LUCIA HELENA CUNHA DOS ANJOS
Presidente - 1220296 - MARCOS BACIS CEDDIA