Schaefer, Carlos Ernesto Gonçalves ReynaudSouza, José João Lélis Leal deFilho, Elpídio Inácio FernandesSiqueira, Rafael Gomes2023-05-232023-05-232023-05-10SIQUEIRA, Rafael Gomes.Aprendizado de Máquinas aplicado ao Mapeamento Digital de Solos na Antártica: modelagem e predição espacial de classes e atributos do solo. 2023. 181 f.Tese (Doutorado em Solos e Nutrição de Plantas) - Universidade Federal de Viçosa, Viçosa. 2023.https://locus.ufv.br//handle/123456789/30918O mapeamento convencional de solos baseado em modelos mentais é uma abordagem comum para compreensão da distribuição dos solos na Antártica. No entanto, o Mapeamento Digital de Solos baseado em modelos empíricos e quantitativos tem sido escassamente aplicado no continente. As vantagens do mapeamento digital são de grande relevância em paisagens remotas como as áreas livres de gelo da Antártica, onde coletas de solos são muito limitadas. Além disso, existe uma necessidade de dados precisos de solos para a Antártica, especialmente sob as pressões impostas atualmente pelas mudanças climáticas e distúrbios antrópicos no continente. Neste trabalho foram preditas as distribuições espaciais, nas regiões da Antártica Marítima e Península Antártica, de importantes atributos físico-químicos do solo: areia, silte, argila, soma de bases, H+Al, pH, carbono orgânico total, P, Na e P remanescente; e de classes de solos identificadas com os sistemas Soil Taxonomy and World Reference Base – FAO. Para isso, foi utilizada a base de dados de solos do Grupo Terrantar da Universidade Federal de Viçosa - Brasil, compilada a partir de trabalhos de campo realizados durante 20 anos na Antártica. Também foi usado um grande conjunto de covariáveis preditoras representando os fatores do modelo scorpan: atributos do terreno gerados a partir de Modelo Digital de Elevação, dados multiespectrais Sentinel representando covariáveis de vegetação, distâncias euclidianas para geleiras, costa e pinguineiras, geologia, coordenadas e outros atributos do solo. Para a modelagem e mapeamento, técnicas de Aprendizado de Máquinas foram aplicadas e diferentes modelos foram testados, destacando-se o modelo Random Forest. Este estudo mostra o potencial da aplicação da metodologia do Mapeamento Digital de Solos para produção de mapas detalhados na Antártica, um continente geralmente negligenciado para mapeamentos devido à ausência de dados de solos robustos. Com nossos resultados, pretendemos subsidiar a tomada de decisão sobre solos na Antártica, além de fornecer dados pioneiros que podem ser incorporados em modelos ecológicos globais. Palavras-chave: Antártica. Aprendizado de Máquinas. Mapeamento Digital de Solos. Modelagem. Predição espacial.Conventional soil mapping based on mental models is a common approach for understanding the soil distribution since the first soil surveys in Antarctica. However, Digital Soil Mapping based on empirical, quantitative models has rarely been applied in the continent. The Digital Soil Mapping advantages are even more important in remote, harsh landscapes such as the Antarctic ice-free areas, where soil information is very limited. Besides that, nowadays there is a pressing need for accurate soil data for Antarctica, especially under the pressures imposed by climate changes and human disturbances on the continent. This study aimed to predict the spatial distribution of major physico-chemical soil attributes (sand, silt, clay, bases sum, H+Al, pH, total organic carbon, phosphorous, sodium and remaining P; and of soil classes according to the Soil Taxonomy and World Reference Base – FAO systems) in Maritime Antarctica and Antarctic Peninsula regions. For that, we used the Brazilian Terrantar Group soil dataset, compiled from several soil surveys carried out during 20 years in Antarctica. We also used a large set of environmental predictor variables representing the scorpan factors: terrain attributes generated from a Digital Elevation Model, multispectral Sentinel data representing vegetation covariates, Euclidean distances to glaciers, coastline and penguin rookeries representing varied factors of soil development in Antarctica, geology, coordinates, and others soil attributes. For modelling and spatial prediction, we applied the Machine Learning techniques by testing different models, but with special attention to the Random Forest. This study shows the potential of applying the Digital Soil Mapping methodology to produce detailed soil maps in Antarctica, a continent generally neglected so far due to the lack of robust soil datasets. With our results, we aim to subsidize decision-making about soils in Antarctica, besides providing pioneer data that can be incorporated in global ecological models. Keywords: Antarctica. Machine Learning. Digital Soil Mapping. Modelling. Spatial prediction.porAcesso AbertoMapeamento do solo - Antártica, PenínsulaAprendizado do computadorMapeamento digitalTesehttps://doi.org/10.47328/ufvbbt.2023.187Ciência do Solo