FRAGILIDAD AMBIENTAL MEDIANTE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO
##plugins.pubIds.doi.readerDisplayName##
https://doi.org/10.4215/rm2022.e21034
Resumen
El avance de los modelos predictivos mediante Machine Learning Algorithms (ML) asociados a datos ambientales permite mejorar los modelos de fragilidad ambiental, que son herramientas fundamentales para la toma de decisiones. Este estudio tuvo como objetivo derivar una predicción de la fragilidad ambiental mediante la prueba de ML asociado con covariables ambientales en el estado de Minas Gerais. Se utilizaron variables físico-ambientales (suelo, geología, clima, relieve) con peso de fragilidad para los atributos y cálculo de la media para obtener un modelo de Fragilidad Ambiental Potencial (PEF). Posteriormente, extrajimos los valores de PEF a una cuadrícula de 4800 puntos, que se utilizó para generar una nueva predicción de ML, llamada PEFML. Esta predicción se basó en la prueba de cinco algoritmos y un conjunto de 105 covariables ambientales. Los resultados indicaron que la predicción PEFML con mejor desempeño fue el modelo Random Forest (R2 0.59 y RMSE 0.47), indicando un predominio del bajo nivel de fragilidad ambiental. Los modelos PEF y PEFML muestran fuertes correlaciones (0,7 Pearson); sin embargo, PEFML tiene correlaciones más fuertes con otros datos ambientales. Por lo tanto, la predicción PEFML es un modelo robusto que captura información de covariables y tiene patrones espaciales coherentes.
Palabras-llave: Modelos de fragilidad ambiental; predicción espacial; Random Forest; Planificación ambiental.
Citas
AB'SÁBER, A.N. (1970). Províncias Geológicas E Domínios Morfoclimáticos No Brasil. São Paulo: Universidade de São Paulo, Instituto de Geografia, 1970. 26 p.
AMORIM, A.T., DO NASCIMENTO LOPES, E.R., DE SOUSA, J.A.P., DE CASSIA FERREIRA DA SILVA, R., DE SOUZA, J.C., LOURENÇO, R.W. (2021). Geomorphometric Environmental Fragility of a Watershed: A Multicriteria Spatial Approach. Environ. Monit. Assess., v.193, p.850.
ANJINHO, P.D.S., BARBOSA, M.A.G.A., COSTA, C.W., MAUAD, F.F. (2021). Environmental Fragility Analysis in Reservoir Drainage Basin Land Use Planning: A Brazilian Basin Case Study. Land Use Policy, v.100, p.104946.
BARROS, K.O., ALVARES SOARES RIBEIRO, C.A., MARCATTI, G.E., LORENZON, A.S., MARTINS DE CASTRO, N.L., DOMINGUES, G.F., ROMÁRIO DE CARVALHO, J., ROSA DOS SANTOS, A. (2018). Markov Chains and Cellular Automata to Predict Environments Subject to Desertification. Journal of Environmental Management, v.225, p.160-167.
BERGEN, K.J., JOHNSON, P.A., DE HOOP, M.V., BEROZA, G.C. (2019). Machine Learning for Data-Driven Discovery in Solid Earth Geoscience. Science, v.363, p.eaau0323.
BREIMAN, L. (2001). Random Forests. Machine Learning, v.45, p.5-32.
BRUNGARD, C.W., BOETTINGER, J.L., DUNIWAY, M.C., WILLS, S.A., EDWARDS, T.C. (2015). Machine Learning for Predicting Soil Classes in Three Semi-Arid Landscapes. Geoderma, v.239, p.68-83.
CALLISTO, M., GONÇALVES, J.F., LIGEIRO, R. (2016). Water Resources in the Rupestrian Grasslands of the Espinhaço Mountains. In: G.W. Fernandes (Eds.) Ecology and Conservation of Mountaintop Grasslands in Brazil. Cham: Springer International Publishing, 2016. 87-102.
CAMPOS, J.A., AIRES, U.R.V., SILVA, D.D.D., CALIJURI, M.L. (2019). Environmental Fragility and Vegetation Cover Dynamics in the Lapa Grande State Park, Mg, Brazil An Acad Bras Cienc, v.91, p.e20170940.
CORTES, C., VAPNIK, V. (1995). Support-Vector Networks. Machine Learning, v.20, p.273-297.
COSTA, E.M., DOS ANJOS, L.H.C., PINHEIRO, H.S.K., GELSLEICHTER, Y.A., MARCONDES, R.A.T. (2020). Spatial Bayesian Belief Networks: A Participatory Approach for Mapping Environmental Vulnerability at the Itatiaia National Park, Brazil. Environmental Earth Sciences, v.79, p.359.
COSTA, L.R.F. (2021). Considerações Sobre as Macrounidades Geomorfológicas Do Estado De Minas Gerais–Brasil. William Morris Davis–Revista de Geomorfologia, v.2, p.11-18.
CREPANI, E., MEDEIROS, J.D., HERNANDEZ FILHO, P., FLORENZANO, T.G., DUARTE, V., BARBOSA, C.C.F. (2001). Sensoriamento Remoto E Geoprocessamento Aplicados Ao Zoneamento Ecológico-Econômico E Ao Ordenamento Territorial. São José dos Campos: Inpe 2001. 124.
CRUZ, B.B., MANFRÉ, L.A., RICCI, D.S., BRUNORO, D., APPOLINARIO JR., L., QUINTANILHA, J.A. (2017). Environmental Fragility Framework for Water Supply Systems: A Case Study in the Paulista Macro Metropolis Area (Se Brazil). Environmental Earth Sciences, v.76, p.441-453.
DIAS, S.H.B., FILGUEIRAS, R., FERNANDES FILHO, E.I., ARCANJO, G.S., SILVA, G.H.D., MANTOVANI, E.C., CUNHA, F.F.D. (2021). Reference Evapotranspiration of Brazil Modeled with Machine Learning Techniques and Remote Sensing. PLOS ONE, v.16, p.e0245834.
FARAWAY, J. (2016). Linear Models with R. Chapman Hall. New York: Chapman and Hall, 2016. 270.
FRANCO, G.B. Fragilidade Ambiental E Qualidade Da Água Na Bacia Do Rio Almada – Bahia. 2010. 361 p.f. Doutorado - Universidade Federal de Viçosa, Viçosa, MG, 2010., 2010.
FRANCO, G.B., MARQUES, E.A.G., GOMES, R.L., CHAGAS, C.D.S., SOUZA, C.M.P., BETIM, L.S. (2011). Fragilidade Ambiental Da Bacia Hidrográfica Do Rio Almada-Bahia. Rev Geog, v.28, p.187 - 205.
GALLANT, J.C., DOWLING, T.I. (2003). A Multiresolution Index of Valley Bottom Flatness for Mapping Depositional Areas. Water Resour. Res., v.39,
GOMES, L.C., FARIA, R.M., SOUZA, E., VELOSO, G.V., SCHAEFER, C.E.G.R., FERNANDES FILHO, E.I. (2019). Modelling and Mapping Soil Organic Carbon Stocks in Brazil. Geoderma, v.340, p.337-350.
GUEVARA, Y.Z.C., SOUZA, J.J.L.L.D., VELOSO, G.V., VELOSO, R.W., ROCHA, P.A., ABRAHÃO, W.A.P., FERNANDES FILHO, E.I. (2018). Reference Values of Soil Quality for the Rio Doce Basin. Rev. Bras. Ciên. Solo v.42, p.1-16.
HASTIE, T., TIBSHIRANI, R. (1987). Generalized Additive Models: Some Applications. Journal of the American Statistical Association, v.82, p.371-386.
HEINECK, C.A., LEITE, C.A.D.S., SILVA, M., VIEIRA, V.S. (2003). Mapa Geológico Do Estado De Minas Gerais, Escala 1: 1.000. 000. Belo Horizonte: Convênio COMIG/CPRM, v.1,
HIJMANS, R.J., CAMERON, S.E., PARRA, J.L., JONES, P.G., JARVIS, A. (2005). Very High Resolution Interpolated Climate Surfaces for Global Land Areas. Int. J. Climatol., v.25, p.1965-1978.
IGLESIAS, M., UHLEIN, A. (2009). Estratigrafia Do Grupo Bambuí E Coberturas Fanerozóicas No Vale Do Rio São Francisco, Norte De Minas Gerais. Braz. J. Geol, v.39, p.256-266.
KER, J.C. (1997). Latossolos Do Brasil: Uma Revisão. Revista Geonomos, v.5, p.17 - 40.
KUHN, M., JOHNSON, K. (2013). Applied Predictive Modeling. New York: Springer, 2013. 600.
MALONE, B.P., MCBRATNEY, A.B., MINASNY, B., LASLETT, G.M. (2009). Mapping Continuous Depth Functions of Soil Carbon Storage and Available Water Capacity. Geoderma, v.154, p.138-152.
MARTINS, T.I.S., RODRIGUES, S.C. (2012). Análise E Mapeamento Dos Graus De Fragilidade Ambiental Da Bacia Do Médio-Baixo Curso Do Rio Araguari, Minas Gerais. Caderno de Geografia, v.22,
MORELLOS, A., PANTAZI, X.-E., MOSHOU, D., ALEXANDRIDIS, T., WHETTON, R., TZIOTZIOS, G., WIEBENSOHN, J., BILL, R., MOUAZEN, A.M. (2016). Machine Learning Based Prediction of Soil Total Nitrogen, Organic Carbon and Moisture Content by Using Vis-Nir Spectroscopy. Biosyst Eng, v.152, p.104-116.
MOTTA, P.E., CURI, N., FRANZMEIER, D.P. (2002). Relation of Soils and Geomorphic Surfaces in the Brazilian Cerrado. In: P. Oliveira, R.J. Marquis (Eds.) The Cerrados of Brazil: Ecology Natural History of a Neotropical Savanna. New York: Columbia University Press, 2002. 13-32.
MURRAY, A.B., LAZARUS, E., ASHTON, A., BAAS, A., COCO, G., COULTHARD, T., FONSTAD, M., HAFF, P., MCNAMARA, D., PAOLA, C., PELLETIER, J., REINHARDT, L. (2009). Geomorphology, Complexity, and the Emerging Science of the Earth's Surface. Geomorphology, v.103, p.496-505.
NUNES, W.A.G.A., KER, J.C., SCHAEFER, C.E.G.R., FERNANDES FILHO, E.I., GOMES, F.H. (2001). Relação Solo-Paisagem-Material De Origem E Gênese De Alguns Solos No Domínio Do "Mar De Morros", Minas Gerais Rev. Bras. Ciên. Solo v.25, p.341-354.
PADARIAN, J., MINASNY, B., MCBRATNEY, A.B. (2020). Machine Learning and Soil Sciences: A Review Aided by Machine Learning Tools. SOIL, v.6, p.35-52.
PESSOA, P., ATMAN, D., KIMURA, G. (2020). Environmental Problems in the Lagoa Santa Karst. In: A. S. Auler, P. Pessoa (Eds.) Lagoa Santa Karst: Brazil's Iconic Karst Region. Cham: Springer International Publishing, 2020. 283-303.
Quinlan, J.R. (1992). Learning with Continuous Classes. (Eds.), Australian joint conference on artificial intelligence, pp. 343-348.
Rcore, T. (2022). R: A Language and Environment for Statistical Computing. Vienna, Austria (2016). http://www.R-project.org/ 15 june 2022.
ROSS, J.L.S. (1994). Análise Empírica Da Fragilidade Dos Ambientes Naturais Antropizados. Revista do departamento de geografia, v.8, p.63-74.
SALGADO, A.A.R., BRAUCHER, R., COLIN, F., NALINI, H.A., VARAJÃO, A.F.D.C., VARAJÃO, C.A.C. (2006). Denudation Rates of the Quadrilátero Ferrífero (Minas Gerais, Brazil): Preliminary Results from Measurements of Solute Fluxes in Rivers and in Situ-Produced Cosmogenic 10be. J. Geochem. Explor., v.88, p.313-317.
SCOLFORO, J.R., OLIVEIRA, A., CARVALHO, L.D., MARQUES, J.J.G., LOUZADA, J.N., MELLO, C., PEREIRA, J.R., REZENDE, J.B., VALE, L.C.C. (2008). Zoneamento Ecológico-Econômico De Minas Gerais. Lavras: UFLA, 2008.
SENA, N.C., VELOSO, G.V., FILHO, E.I.F., FRANCELINO, M.R., SCHAEFER, C.E.G.R. (2020). Analysis of Terrain Attributes in Different Spatial Resolutions for Digital Soil Mapping Application in Southeastern Brazil. Geoderma Regional, p.e00268.
SILVA, L.C.L., OLIVEIRA, F.S., RAMOS, V.D.V., SCHAEFER, C.E.G. (2018). Pedodiversidade No Estado De Minas Gerais-Brasil. Caderno de Geografia, v.28, p.18-38.
SIMÕES, P.L., VALADÃO, R.C., OLIVEIRA, C.V., OLIVEIRA, F.S. (2020). Uso De Atributos Pedológicos Na Compreensão Da Gênese De Superfícies Geomorfológicas Escalonadas Da Borda Oeste Do Planalto Do Espinhaço Meridional / Minas Gerais – Brasil. Revista Brasileira de Geomorfologia, v.21,
SOUZA, C.M.P., FIGUEIREDO, N.A., COSTA, L.M., VELOSO, G.V., ALMEIDA, M.I.S., FERREIRA, E.J. (2020). Machine Learning Algorithm in the Prediction of Geomorphic Indices for Appraisal the Influence of Landscape Structure on Fluvial Systems, Southeastern - Brazil. Revista Brasileira de Geomorfologia, v.21, p.363-378.
SOUZA, C.M.P., VELOSO, G.V., MELLO, C.R., RIBEIRO, R.P., PEREIRA SILVA, L.A., LEITE, M.E., FERNANDES FILHO, E.I. (2022). Spatiotemporal Prediction of Rainfall Erosivity by Machine Learning, Minas Gerais State, Brazil. Geocart. Internat., v.37, p.1-19.
SPÖRL, C., CASTRO, E., LUCHIARI, A. (2011). Aplicação De Redes Neurais Artificiais Na Construção De Modelos De Fragilidade Ambiental. Revista do Departamento de Geografia, v.21, p.113-135.
SPRÖL, C., ROSS, J.L.S. (2006). Análise Comparativa Da Fragilidade Ambiental Com Aplicação De Três Modelos. Geousp, p.39-49.
TRICART, J. (1977). Ecodynamic. Rio de Janeiro: IBGE, 1977. 91.
UFV, CETEC, UFLA, FEAM. (2010). Mapa De Solos Do Estado De Minas Gerais. p.49.
URRIAGO-OSPINA, L.M., JARDIM, C.M., RIVERA-FERNÁNDEZ, G., KOZOVITS, A.R., LEITE, M.G.P., MESSIAS, M.C.T.B. (2021). Traditional Ecological Knowledge in a Ferruginous Ecosystem Management: Lessons for Diversifying Land Use. Environ Dev Sustain, v.23, p.2092-2121.
Usgs. (2022). Earthexplorer Disponível em:< http://earthexplorer.usgs.gov> 03 março 2022.
WANG, Z., SHI, W., ZHOU, W., LI, X., YUE, T. (2020). Comparison of Additive and Isometric Log-Ratio Transformations Combined with Machine Learning and Regression Kriging Models for Mapping Soil Particle Size Fractions. Geoderma, v.365, p.114214.
WERE, K., BUI, D.T., DICK, Ø.B., SINGH, B.R. (2015). A Comparative Assessment of Support Vector Regression, Artificial Neural Networks, and Random Forests for Predicting and Mapping Soil Organic Carbon Stocks across an Afromontane Landscape. Ecological Indicators, v.52, p.394-403.
AMORIM, A.T., DO NASCIMENTO LOPES, E.R., DE SOUSA, J.A.P., DE CASSIA FERREIRA DA SILVA, R., DE SOUZA, J.C., LOURENÇO, R.W. (2021). Geomorphometric Environmental Fragility of a Watershed: A Multicriteria Spatial Approach. Environ. Monit. Assess., v.193, p.850.
ANJINHO, P.D.S., BARBOSA, M.A.G.A., COSTA, C.W., MAUAD, F.F. (2021). Environmental Fragility Analysis in Reservoir Drainage Basin Land Use Planning: A Brazilian Basin Case Study. Land Use Policy, v.100, p.104946.
BARROS, K.O., ALVARES SOARES RIBEIRO, C.A., MARCATTI, G.E., LORENZON, A.S., MARTINS DE CASTRO, N.L., DOMINGUES, G.F., ROMÁRIO DE CARVALHO, J., ROSA DOS SANTOS, A. (2018). Markov Chains and Cellular Automata to Predict Environments Subject to Desertification. Journal of Environmental Management, v.225, p.160-167.
BERGEN, K.J., JOHNSON, P.A., DE HOOP, M.V., BEROZA, G.C. (2019). Machine Learning for Data-Driven Discovery in Solid Earth Geoscience. Science, v.363, p.eaau0323.
BREIMAN, L. (2001). Random Forests. Machine Learning, v.45, p.5-32.
BRUNGARD, C.W., BOETTINGER, J.L., DUNIWAY, M.C., WILLS, S.A., EDWARDS, T.C. (2015). Machine Learning for Predicting Soil Classes in Three Semi-Arid Landscapes. Geoderma, v.239, p.68-83.
CALLISTO, M., GONÇALVES, J.F., LIGEIRO, R. (2016). Water Resources in the Rupestrian Grasslands of the Espinhaço Mountains. In: G.W. Fernandes (Eds.) Ecology and Conservation of Mountaintop Grasslands in Brazil. Cham: Springer International Publishing, 2016. 87-102.
CAMPOS, J.A., AIRES, U.R.V., SILVA, D.D.D., CALIJURI, M.L. (2019). Environmental Fragility and Vegetation Cover Dynamics in the Lapa Grande State Park, Mg, Brazil An Acad Bras Cienc, v.91, p.e20170940.
CORTES, C., VAPNIK, V. (1995). Support-Vector Networks. Machine Learning, v.20, p.273-297.
COSTA, E.M., DOS ANJOS, L.H.C., PINHEIRO, H.S.K., GELSLEICHTER, Y.A., MARCONDES, R.A.T. (2020). Spatial Bayesian Belief Networks: A Participatory Approach for Mapping Environmental Vulnerability at the Itatiaia National Park, Brazil. Environmental Earth Sciences, v.79, p.359.
COSTA, L.R.F. (2021). Considerações Sobre as Macrounidades Geomorfológicas Do Estado De Minas Gerais–Brasil. William Morris Davis–Revista de Geomorfologia, v.2, p.11-18.
CREPANI, E., MEDEIROS, J.D., HERNANDEZ FILHO, P., FLORENZANO, T.G., DUARTE, V., BARBOSA, C.C.F. (2001). Sensoriamento Remoto E Geoprocessamento Aplicados Ao Zoneamento Ecológico-Econômico E Ao Ordenamento Territorial. São José dos Campos: Inpe 2001. 124.
CRUZ, B.B., MANFRÉ, L.A., RICCI, D.S., BRUNORO, D., APPOLINARIO JR., L., QUINTANILHA, J.A. (2017). Environmental Fragility Framework for Water Supply Systems: A Case Study in the Paulista Macro Metropolis Area (Se Brazil). Environmental Earth Sciences, v.76, p.441-453.
DIAS, S.H.B., FILGUEIRAS, R., FERNANDES FILHO, E.I., ARCANJO, G.S., SILVA, G.H.D., MANTOVANI, E.C., CUNHA, F.F.D. (2021). Reference Evapotranspiration of Brazil Modeled with Machine Learning Techniques and Remote Sensing. PLOS ONE, v.16, p.e0245834.
FARAWAY, J. (2016). Linear Models with R. Chapman Hall. New York: Chapman and Hall, 2016. 270.
FRANCO, G.B. Fragilidade Ambiental E Qualidade Da Água Na Bacia Do Rio Almada – Bahia. 2010. 361 p.f. Doutorado - Universidade Federal de Viçosa, Viçosa, MG, 2010., 2010.
FRANCO, G.B., MARQUES, E.A.G., GOMES, R.L., CHAGAS, C.D.S., SOUZA, C.M.P., BETIM, L.S. (2011). Fragilidade Ambiental Da Bacia Hidrográfica Do Rio Almada-Bahia. Rev Geog, v.28, p.187 - 205.
GALLANT, J.C., DOWLING, T.I. (2003). A Multiresolution Index of Valley Bottom Flatness for Mapping Depositional Areas. Water Resour. Res., v.39,
GOMES, L.C., FARIA, R.M., SOUZA, E., VELOSO, G.V., SCHAEFER, C.E.G.R., FERNANDES FILHO, E.I. (2019). Modelling and Mapping Soil Organic Carbon Stocks in Brazil. Geoderma, v.340, p.337-350.
GUEVARA, Y.Z.C., SOUZA, J.J.L.L.D., VELOSO, G.V., VELOSO, R.W., ROCHA, P.A., ABRAHÃO, W.A.P., FERNANDES FILHO, E.I. (2018). Reference Values of Soil Quality for the Rio Doce Basin. Rev. Bras. Ciên. Solo v.42, p.1-16.
HASTIE, T., TIBSHIRANI, R. (1987). Generalized Additive Models: Some Applications. Journal of the American Statistical Association, v.82, p.371-386.
HEINECK, C.A., LEITE, C.A.D.S., SILVA, M., VIEIRA, V.S. (2003). Mapa Geológico Do Estado De Minas Gerais, Escala 1: 1.000. 000. Belo Horizonte: Convênio COMIG/CPRM, v.1,
HIJMANS, R.J., CAMERON, S.E., PARRA, J.L., JONES, P.G., JARVIS, A. (2005). Very High Resolution Interpolated Climate Surfaces for Global Land Areas. Int. J. Climatol., v.25, p.1965-1978.
IGLESIAS, M., UHLEIN, A. (2009). Estratigrafia Do Grupo Bambuí E Coberturas Fanerozóicas No Vale Do Rio São Francisco, Norte De Minas Gerais. Braz. J. Geol, v.39, p.256-266.
KER, J.C. (1997). Latossolos Do Brasil: Uma Revisão. Revista Geonomos, v.5, p.17 - 40.
KUHN, M., JOHNSON, K. (2013). Applied Predictive Modeling. New York: Springer, 2013. 600.
MALONE, B.P., MCBRATNEY, A.B., MINASNY, B., LASLETT, G.M. (2009). Mapping Continuous Depth Functions of Soil Carbon Storage and Available Water Capacity. Geoderma, v.154, p.138-152.
MARTINS, T.I.S., RODRIGUES, S.C. (2012). Análise E Mapeamento Dos Graus De Fragilidade Ambiental Da Bacia Do Médio-Baixo Curso Do Rio Araguari, Minas Gerais. Caderno de Geografia, v.22,
MORELLOS, A., PANTAZI, X.-E., MOSHOU, D., ALEXANDRIDIS, T., WHETTON, R., TZIOTZIOS, G., WIEBENSOHN, J., BILL, R., MOUAZEN, A.M. (2016). Machine Learning Based Prediction of Soil Total Nitrogen, Organic Carbon and Moisture Content by Using Vis-Nir Spectroscopy. Biosyst Eng, v.152, p.104-116.
MOTTA, P.E., CURI, N., FRANZMEIER, D.P. (2002). Relation of Soils and Geomorphic Surfaces in the Brazilian Cerrado. In: P. Oliveira, R.J. Marquis (Eds.) The Cerrados of Brazil: Ecology Natural History of a Neotropical Savanna. New York: Columbia University Press, 2002. 13-32.
MURRAY, A.B., LAZARUS, E., ASHTON, A., BAAS, A., COCO, G., COULTHARD, T., FONSTAD, M., HAFF, P., MCNAMARA, D., PAOLA, C., PELLETIER, J., REINHARDT, L. (2009). Geomorphology, Complexity, and the Emerging Science of the Earth's Surface. Geomorphology, v.103, p.496-505.
NUNES, W.A.G.A., KER, J.C., SCHAEFER, C.E.G.R., FERNANDES FILHO, E.I., GOMES, F.H. (2001). Relação Solo-Paisagem-Material De Origem E Gênese De Alguns Solos No Domínio Do "Mar De Morros", Minas Gerais Rev. Bras. Ciên. Solo v.25, p.341-354.
PADARIAN, J., MINASNY, B., MCBRATNEY, A.B. (2020). Machine Learning and Soil Sciences: A Review Aided by Machine Learning Tools. SOIL, v.6, p.35-52.
PESSOA, P., ATMAN, D., KIMURA, G. (2020). Environmental Problems in the Lagoa Santa Karst. In: A. S. Auler, P. Pessoa (Eds.) Lagoa Santa Karst: Brazil's Iconic Karst Region. Cham: Springer International Publishing, 2020. 283-303.
Quinlan, J.R. (1992). Learning with Continuous Classes. (Eds.), Australian joint conference on artificial intelligence, pp. 343-348.
Rcore, T. (2022). R: A Language and Environment for Statistical Computing. Vienna, Austria (2016). http://www.R-project.org/ 15 june 2022.
ROSS, J.L.S. (1994). Análise Empírica Da Fragilidade Dos Ambientes Naturais Antropizados. Revista do departamento de geografia, v.8, p.63-74.
SALGADO, A.A.R., BRAUCHER, R., COLIN, F., NALINI, H.A., VARAJÃO, A.F.D.C., VARAJÃO, C.A.C. (2006). Denudation Rates of the Quadrilátero Ferrífero (Minas Gerais, Brazil): Preliminary Results from Measurements of Solute Fluxes in Rivers and in Situ-Produced Cosmogenic 10be. J. Geochem. Explor., v.88, p.313-317.
SCOLFORO, J.R., OLIVEIRA, A., CARVALHO, L.D., MARQUES, J.J.G., LOUZADA, J.N., MELLO, C., PEREIRA, J.R., REZENDE, J.B., VALE, L.C.C. (2008). Zoneamento Ecológico-Econômico De Minas Gerais. Lavras: UFLA, 2008.
SENA, N.C., VELOSO, G.V., FILHO, E.I.F., FRANCELINO, M.R., SCHAEFER, C.E.G.R. (2020). Analysis of Terrain Attributes in Different Spatial Resolutions for Digital Soil Mapping Application in Southeastern Brazil. Geoderma Regional, p.e00268.
SILVA, L.C.L., OLIVEIRA, F.S., RAMOS, V.D.V., SCHAEFER, C.E.G. (2018). Pedodiversidade No Estado De Minas Gerais-Brasil. Caderno de Geografia, v.28, p.18-38.
SIMÕES, P.L., VALADÃO, R.C., OLIVEIRA, C.V., OLIVEIRA, F.S. (2020). Uso De Atributos Pedológicos Na Compreensão Da Gênese De Superfícies Geomorfológicas Escalonadas Da Borda Oeste Do Planalto Do Espinhaço Meridional / Minas Gerais – Brasil. Revista Brasileira de Geomorfologia, v.21,
SOUZA, C.M.P., FIGUEIREDO, N.A., COSTA, L.M., VELOSO, G.V., ALMEIDA, M.I.S., FERREIRA, E.J. (2020). Machine Learning Algorithm in the Prediction of Geomorphic Indices for Appraisal the Influence of Landscape Structure on Fluvial Systems, Southeastern - Brazil. Revista Brasileira de Geomorfologia, v.21, p.363-378.
SOUZA, C.M.P., VELOSO, G.V., MELLO, C.R., RIBEIRO, R.P., PEREIRA SILVA, L.A., LEITE, M.E., FERNANDES FILHO, E.I. (2022). Spatiotemporal Prediction of Rainfall Erosivity by Machine Learning, Minas Gerais State, Brazil. Geocart. Internat., v.37, p.1-19.
SPÖRL, C., CASTRO, E., LUCHIARI, A. (2011). Aplicação De Redes Neurais Artificiais Na Construção De Modelos De Fragilidade Ambiental. Revista do Departamento de Geografia, v.21, p.113-135.
SPRÖL, C., ROSS, J.L.S. (2006). Análise Comparativa Da Fragilidade Ambiental Com Aplicação De Três Modelos. Geousp, p.39-49.
TRICART, J. (1977). Ecodynamic. Rio de Janeiro: IBGE, 1977. 91.
UFV, CETEC, UFLA, FEAM. (2010). Mapa De Solos Do Estado De Minas Gerais. p.49.
URRIAGO-OSPINA, L.M., JARDIM, C.M., RIVERA-FERNÁNDEZ, G., KOZOVITS, A.R., LEITE, M.G.P., MESSIAS, M.C.T.B. (2021). Traditional Ecological Knowledge in a Ferruginous Ecosystem Management: Lessons for Diversifying Land Use. Environ Dev Sustain, v.23, p.2092-2121.
Usgs. (2022). Earthexplorer Disponível em:< http://earthexplorer.usgs.gov> 03 março 2022.
WANG, Z., SHI, W., ZHOU, W., LI, X., YUE, T. (2020). Comparison of Additive and Isometric Log-Ratio Transformations Combined with Machine Learning and Regression Kriging Models for Mapping Soil Particle Size Fractions. Geoderma, v.365, p.114214.
WERE, K., BUI, D.T., DICK, Ø.B., SINGH, B.R. (2015). A Comparative Assessment of Support Vector Regression, Artificial Neural Networks, and Random Forests for Predicting and Mapping Soil Organic Carbon Stocks across an Afromontane Landscape. Ecological Indicators, v.52, p.394-403.
Publicado
15/02/2023
##submission.howToCite##
SOUZA, Cristiano Marcelo Pereira de et al.
FRAGILIDAD AMBIENTAL MEDIANTE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO.
Mercator, Fortaleza, v. 21, feb. 2023.
ISSN 1984-2201.
Disponible en: <http://www.mercator.ufc.br/mercator/article/view/e21034>. Fecha de acceso: 12 feb. 2026
doi: https://doi.org/10.4215/rm2022.e21034.
Número
Sección
ARTICLES
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
1. Los autores conservan los derechos de autor y conceden la MERCATOR el derecho de la primera publicación de la obra simultáneamente licenciado bajo la Creative Commons Attribution License, que permite el intercambio de trabajo y el reconocimiento de la obra de autor y la publicación inicial en esta revista.
2. Los autores son capaces de asumir contratos adicionales por separado para la distribución no exclusiva de la versión de la obra publicada en esta revista (por ejemplo:. En un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
3. Autores se permiten y se les anima a publicar su trabajo online (por ejemplo:. En repositorios institucionales o en su sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como aumentar el impacto y la la citación de los trabajos publicados (ver el efecto de Acceso Abierto).
4. Los autores son responsables por el contenido que figura en el manuscrito publicado en la revista.
