O Repositório Institucional da Universidade Federal Rural da Amazônia (RIUFRA) é um dispositivo de armazenamento e disseminação das obras intelectuais da UFRA, produzidas no âmbito das atividades de pesquisa, ensino e extensão da instituição. É composto de documentos em formato digital, provenientes das atividades desenvolvidas pelo corpo docente, discente e técnico-administrativo da UFRA e por obras elaboradas a partir de convênio ou colaboração entre a instituição e outros órgãos publicados em autoria e/ou coautoria.
Use este identificador para citar ou linkar para este item:
https://repositorio.ufra.edu.br/jspui/handle/riufra/2905| Título: | AI-driven digital soil Mapping of the Eastern Amazon: integrating pedological knowledge and pedometrics |
| Orientador: | SILVA JÚNIOR, João Fernandes da |
| Autor(es): | SOBRINHO, Rômulo José Alencar |
| Palavras-chave: | Mapeamento do solo Sensoriamento remoto Sensoriamento remoto Inteligência artificial Inteligência artificial Inteligência artificial Relação solo-paisagem Relação solo-paisagem Relação solo-paisagem Solos hidromórficos Solos hidromórficos SCORPAN SCORPAN SCORPAN Soil mapping Soil mapping Soil mapping Remote sensing Remote sensing Remote sensing Artificial intelligence Artificial intelligence Artificial intelligence Soil-landscape relationships Soil-landscape relationships Soil-landscape relationships Hydromorphic soils Hydromorphic soils Hydromorphic soils |
| Data do documento: | 2026-06-30 |
| Editor: | UFRA - Campus Belém |
| Citação: | SOBRINHO, Rômulo José Alencar. AI-driven digital soil Mapping of the Eastern Amazon: integrating pedological knowledge and pedometrics. Orientador: Advisor: João Fernandes da Silva Junior. Belém, 2026. 152 f. Tese (Doutorado em Agronomia) - Universidade Federal Rural da Amazônia, Belém, 2026. Disponível em: https://repositorio.ufra.edu.br/jspui/handle/riufra/2905 |
| Resumo: | A lacuna de informações mais detalhadas da distribuição de solos na Amazônia é um impedimento para a efetiva governança de solos nessa região. Portanto, o objetivo geral do presente estudo foi avaliar performance e a incerteza das abordagens de assembleia de algoritmos, mapa legado, covariáveis ambientais e Área de Referência. Para tanto, a presente tese foi dividida em dois capítulos, cujos títulos são: I) Integração de conhecimento tácito e IA para mapeamento digital de solos na Amazônia oriental: assembleia de algoritmos, desempenho do modelo e incorporação de incertezas; e II) Transferência das relações solo-paisagem em regiões da Amazônia com dados limitados: uma abordagem de mapeamento digital guiada pelo conhecimento e baseada em área de referência. Dados de saída de ambos os capítulos seguiram os passos comuns a seguir. Foram usadas 15 covariáveis ambientais baseadas no modelo SCORPAN. Para gerar os modelos preditivos nós usamos os algoritmos e quatro conjuntos de dados de entrada Randon Forest, Ranger, Xgboost, C 5.0 e Ensemble learning. Avaliamos também dois níveis de detalhamento das unidades de mapeamento do mapa legado: nível taxonômico de ordem e de Grande grupo. Covariáveis de terreno foram derivadas de dois modelos de elevação distintos: modelo digital de superfície e modelo digital de terreno. Foram analisados ao todo 20 modelos preditivos. Como destaques das conclusões do Capítulo 2: a abordagem assembleia de algoritmos usando modelo digital de superfície e unidade de mapeamento ao nível taxonômico de Grande grupo obtiveram performance estatísticamente superior a partir de precisão e Kappa em relação aos modelos individuais, ao nível taxonômico de Grande grupo. Covariáveis ambientais como: Temperatura Média Anual de 22,000 anos atrás, Nível de Base da Rede de Canais, Altitude e Temperatura da Superfície Terrestre apresentaram maior importância na modelagem preditiva; e como destaques do Capítulo 3: na validação externa na área de extrapolação os modelos preditivos baseados em assembleia de algoritmos usando dados derivados do modelo digital de superfície, na unidade de mapeamento ao nível de Ordem, assembleia de algoritmos usando dados derivados do modelo digital de terreno, usando unidades de mapeamento ao nível de Grande grupo e assembleia de algoritmos usando dados derivados do modelo digital de superfície, usando unidades de mapeamento ao nível taxonômico de Grande grupo e a previsão das unidades de mapeamento GLEISSOLOS e GLEISSOLOS SÁLICOS Sódicos se destacaram com as mais precisas na área de extrapolação. Os mapas gerados a partir do mapa legado e para a área de extrapolação, utilizando área de referência, mapearam com sucesso unidades de mapeamento relacionadas ao ambiente hidromórfico. O pioneirismo deste estudo na Amazônia revelou o potencial da abordagem de assembleia de algoritmos do mapeamento de classes de solos sob ambientes hidromorficos, ambientes que ocupam grande área na Amazônia e são de relevante importância. A lacuna de informações mais detalhadas da distribuição de solos na Amazônia é um impedimento para a efetiva governança de solos nessa região. Portanto, o objetivo geral do presente estudo foi avaliar performance e a incerteza das abordagens de assembleia de algoritmos, mapa legado, covariáveis ambientais e Área de Referência. Para tanto, a presente tese foi dividida em dois capítulos, cujos títulos são: I) Integração de conhecimento tácito e IA para mapeamento digital de solos na Amazônia oriental: assembleia de algoritmos, desempenho do modelo e incorporação de incertezas; e II) Transferência das relações solo-paisagem em regiões da Amazônia com dados limitados: uma abordagem de mapeamento digital guiada pelo conhecimento e baseada em área de referência. Dados de saída de ambos os capítulos seguiram os passos comuns a seguir. Foram usadas 15 covariáveis ambientais baseadas no modelo SCORPAN. Para gerar os modelos preditivos nós usamos os algoritmos e quatro conjuntos de dados de entrada Randon Forest, Ranger, Xgboost, C 5.0 e Ensemble learning. Avaliamos também dois níveis de detalhamento das unidades de mapeamento do mapa legado: nível taxonômico de ordem e de Grande grupo. Covariáveis de terreno foram derivadas de dois modelos de elevação distintos: modelo digital de superfície e modelo digital de terreno. Foram analisados ao todo 20 modelos preditivos. Como destaques das conclusões do Capítulo 2: a abordagem assembleia de algoritmos usando modelo digital de superfície e unidade de mapeamento ao nível taxonômico de Grande grupo obtiveram performance estatísticamente superior a partir de precisão e Kappa em relação aos modelos individuais, ao nível taxonômico de Grande grupo. Covariáveis ambientais como: Temperatura Média Anual de 22,000 anos atrás, Nível de Base da Rede de Canais, Altitude e Temperatura da Superfície Terrestre apresentaram maior importância na modelagem preditiva; e como destaques do Capítulo 3: na validação externa na área de extrapolação os modelos preditivos baseados em assembleia de algoritmos usando dados derivados do modelo digital de superfície, na unidade de mapeamento ao nível de Ordem, assembleia de algoritmos usando dados derivados do modelo digital de terreno, usando unidades de mapeamento ao nível de Grande grupo e assembleia de algoritmos usando dados derivados do modelo digital de superfície, usando unidades de mapeamento ao nível taxonômico de Grande grupo e a previsão das unidades de mapeamento GLEISSOLOS e GLEISSOLOS SÁLICOS Sódicos se destacaram com as mais precisas na área de extrapolação. Os mapas gerados a partir do mapa legado e para a área de extrapolação, utilizando área de referência, mapearam com sucesso unidades de mapeamento relacionadas ao ambiente hidromórfico. O pioneirismo deste estudo na Amazônia revelou o potencial da abordagem de assembleia de algoritmos do mapeamento de classes de solos sob ambientes hidromorficos, ambientes que ocupam grande área na Amazônia e são de relevante importância. A lacuna de informações mais detalhadas da distribuição de solos na Amazônia é um impedimento para a efetiva governança de solos nessa região. Portanto, o objetivo geral do presente estudo foi avaliar performance e a incerteza das abordagens de assembleia de algoritmos, mapa legado, covariáveis ambientais e Área de Referência. Para tanto, a presente tese foi dividida em dois capítulos, cujos títulos são: I) Integração de conhecimento tácito e IA para mapeamento digital de solos na Amazônia oriental: assembleia de algoritmos, desempenho do modelo e incorporação de incertezas; e II) Transferência das relações solo-paisagem em regiões da Amazônia com dados limitados: uma abordagem de mapeamento digital guiada pelo conhecimento e baseada em área de referência. Dados de saída de ambos os capítulos seguiram os passos comuns a seguir. Foram usadas 15 covariáveis ambientais baseadas no modelo SCORPAN. Para gerar os modelos preditivos nós usamos os algoritmos e quatro conjuntos de dados de entrada Randon Forest, Ranger, Xgboost, C 5.0 e Ensemble learning. Avaliamos também dois níveis de detalhamento das unidades de mapeamento do mapa legado: nível taxonômico de ordem e de Grande grupo. Covariáveis de terreno foram derivadas de dois modelos de elevação distintos: modelo digital de superfície e modelo digital de terreno. Foram analisados ao todo 20 modelos preditivos. Como destaques das conclusões do Capítulo 2: a abordagem assembleia de algoritmos usando modelo digital de superfície e unidade de mapeamento ao nível taxonômico de Grande grupo obtiveram performance estatísticamente superior a partir de precisão e Kappa em relação aos modelos individuais, ao nível taxonômico de Grande grupo. Covariáveis ambientais como: Temperatura Média Anual de 22,000 anos atrás, Nível de Base da Rede de Canais, Altitude e Temperatura da Superfície Terrestre apresentaram maior importância na modelagem preditiva; e como destaques do Capítulo 3: na validação externa na área de extrapolação os modelos preditivos baseados em assembleia de algoritmos usando dados derivados do modelo digital de superfície, na unidade de mapeamento ao nível de Ordem, assembleia de algoritmos usando dados derivados do modelo digital de terreno, usando unidades de mapeamento ao nível de Grande grupo e assembleia de algoritmos usando dados derivados do modelo digital de superfície, usando unidades de mapeamento ao nível taxonômico de Grande grupo e a previsão das unidades de mapeamento GLEISSOLOS e GLEISSOLOS SÁLICOS Sódicos se destacaram com as mais precisas na área de extrapolação. Os mapas gerados a partir do mapa legado e para a área de extrapolação, utilizando área de referência, mapearam com sucesso unidades de mapeamento relacionadas ao ambiente hidromórfico. O pioneirismo deste estudo na Amazônia revelou o potencial da abordagem de assembleia de algoritmos do mapeamento de classes de solos sob ambientes hidromorficos, ambientes que ocupam grande área na Amazônia e são de relevante importância. |
| Abstract: | The lack of more detailed information on soil distribution in the Amazon is an impediment to effective soil governance in this region. Therefore, the overall objective of this study was to evaluate the performance and uncertainty of assembly algorithm approaches, legacy mapping, environmental covariates, and reference area. To this end, this thesis was divided into two chapters, titled: I) Integrating Tacit Knowledge and AI for Digital Soil Mapping in Eastern Amazonia: Ensemble Learning, Model Performance, and Uncertainty Incorporation; and II) Transferring soil–landscape relationships in data-limited regions of the Amazon: a knowledgeguided digital soil mapping approach based on reference areas. Output data from both chapters followed the common steps below. Fifteen environmental covariates based on the SCORPAN model were used. To generate the predictive models, we used the algorithms and four input datasets: Random Forest, Ranger, Xgboost, C 5.0, and Ensemble Learning. We also evaluated two levels of detail for the Mapping Units of the legacy map: taxonomic order level and large group level. Terrain covariates were derived from two distinct elevation models: digital surface model and digital terrain model. A total of 20 predictive models were analyzed. Key findings from Chapter 2: the algorithm assembly approach using a digital surface model and unit mapping at the Large Group taxonomic level achieved statistically superior performance in terms of accuracy and Kappa compared to individual models at the Large Group taxonomic level. Environmental covariates such as: 22,000-year-old Mean Annual Temperature, Channel Network Base Level, Altitude, and Land Surface Temperature showed greater importance in predictive modeling; And as highlights of Chapter 3: in the external validation in the extrapolation area, the ensemble learning predictive models using data derived from the digital surface model, in mapping units at the Oreder taxonomic level, ensemble learning using data derived from the digital terrain model, in mapping units at the Order taxonomic level and ensemble learning using data derived from the digital surface model, in mapping units at the Great group taxonomic level, and the prediction of the mapping units GLEISSOLOS and GLEISSOLOS SÁLICOS Sódicos stood out as the most accurate in the extrapolation area. The maps generated from the legacy map and for the extrapolation area, using reference area, successfully mapped mapping units related to the hydromorphic environment. The pioneering nature of this study in the Amazon revealed the potential of the ensemble learning approach for mapping soil classes under hydromorphic environments, environments that occupy a large area in the Amazon and are of significant importance. The lack of more detailed information on soil distribution in the Amazon is an impediment to effective soil governance in this region. Therefore, the overall objective of this study was to evaluate the performance and uncertainty of assembly algorithm approaches, legacy mapping, environmental covariates, and reference area. To this end, this thesis was divided into two chapters, titled: I) Integrating Tacit Knowledge and AI for Digital Soil Mapping in Eastern Amazonia: Ensemble Learning, Model Performance, and Uncertainty Incorporation; and II) Transferring soil–landscape relationships in data-limited regions of the Amazon: a knowledgeguided digital soil mapping approach based on reference areas. Output data from both chapters followed the common steps below. Fifteen environmental covariates based on the SCORPAN model were used. To generate the predictive models, we used the algorithms and four input datasets: Random Forest, Ranger, Xgboost, C 5.0, and Ensemble Learning. We also evaluated two levels of detail for the Mapping Units of the legacy map: taxonomic order level and large group level. Terrain covariates were derived from two distinct elevation models: digital surface model and digital terrain model. A total of 20 predictive models were analyzed. Key findings from Chapter 2: the algorithm assembly approach using a digital surface model and unit mapping at the Large Group taxonomic level achieved statistically superior performance in terms of accuracy and Kappa compared to individual models at the Large Group taxonomic level. Environmental covariates such as: 22,000-year-old Mean Annual Temperature, Channel Network Base Level, Altitude, and Land Surface Temperature showed greater importance in predictive modeling; And as highlights of Chapter 3: in the external validation in the extrapolation area, the ensemble learning predictive models using data derived from the digital surface model, in mapping units at the Oreder taxonomic level, ensemble learning using data derived from the digital terrain model, in mapping units at the Order taxonomic level and ensemble learning using data derived from the digital surface model, in mapping units at the Great group taxonomic level, and the prediction of the mapping units GLEISSOLOS and GLEISSOLOS SÁLICOS Sódicos stood out as the most accurate in the extrapolation area. The maps generated from the legacy map and for the extrapolation area, using reference area, successfully mapped mapping units related to the hydromorphic environment. The pioneering nature of this study in the Amazon revealed the potential of the ensemble learning approach for mapping soil classes under hydromorphic environments, environments that occupy a large area in the Amazon and are of significant importance. The lack of more detailed information on soil distribution in the Amazon is an impediment to effective soil governance in this region. Therefore, the overall objective of this study was to evaluate the performance and uncertainty of assembly algorithm approaches, legacy mapping, environmental covariates, and reference area. To this end, this thesis was divided into two chapters, titled: I) Integrating Tacit Knowledge and AI for Digital Soil Mapping in Eastern Amazonia: Ensemble Learning, Model Performance, and Uncertainty Incorporation; and II) Transferring soil–landscape relationships in data-limited regions of the Amazon: a knowledgeguided digital soil mapping approach based on reference areas. Output data from both chapters followed the common steps below. Fifteen environmental covariates based on the SCORPAN model were used. To generate the predictive models, we used the algorithms and four input datasets: Random Forest, Ranger, Xgboost, C 5.0, and Ensemble Learning. We also evaluated two levels of detail for the Mapping Units of the legacy map: taxonomic order level and large group level. Terrain covariates were derived from two distinct elevation models: digital surface model and digital terrain model. A total of 20 predictive models were analyzed. Key findings from Chapter 2: the algorithm assembly approach using a digital surface model and unit mapping at the Large Group taxonomic level achieved statistically superior performance in terms of accuracy and Kappa compared to individual models at the Large Group taxonomic level. Environmental covariates such as: 22,000-year-old Mean Annual Temperature, Channel Network Base Level, Altitude, and Land Surface Temperature showed greater importance in predictive modeling; And as highlights of Chapter 3: in the external validation in the extrapolation area, the ensemble learning predictive models using data derived from the digital surface model, in mapping units at the Oreder taxonomic level, ensemble learning using data derived from the digital terrain model, in mapping units at the Order taxonomic level and ensemble learning using data derived from the digital surface model, in mapping units at the Great group taxonomic level, and the prediction of the mapping units GLEISSOLOS and GLEISSOLOS SÁLICOS Sódicos stood out as the most accurate in the extrapolation area. The maps generated from the legacy map and for the extrapolation area, using reference area, successfully mapped mapping units related to the hydromorphic environment. The pioneering nature of this study in the Amazon revealed the potential of the ensemble learning approach for mapping soil classes under hydromorphic environments, environments that occupy a large area in the Amazon and are of significant importance. |
| URI: | https://repositorio.ufra.edu.br/jspui/handle/riufra/2905 |
| Aparece nas coleções: | Teses - Agronomia |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| AI-driven digital soil Mapping of the Eastern Amazon integrating pedological knowledge and pedometrics.pdf | 6,19 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
