logo RIMA
logo UFRRJ

  1. Repositório de Múltiplos Acervos da UFRRJ
  2. Teses e Dissertações
  3. Programa de Pós-Graduação em Agronomia - Ciência do Solo
  4. Doutorado em Agronomia - Ciência do Solo
Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/9013
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCosta, Elias Mendes
dc.date.accessioned2023-12-21T18:33:29Z-
dc.date.available2023-12-21T18:33:29Z-
dc.date.issued2019-02-19
dc.identifier.citationCOSTA, Elias Mendes. Caracterização de solos e avaliação da vulnerabilidade de ambientes no Parque Nacional de Itatiaia, Brasil. 2019. 121 f. Tese (Doutorado em Agronomia - Ciência do Solo). Instituto de Agronomia, Universidade Federal Rural do Rio de Janeiro, Seropédica, RJ, 2019.por
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/9013-
dc.description.abstractO conhecimento dos solos e suas propriedades é essencial para o planejamento ambiental em sistemas naturais especialmente em unidade de conservação como o Parque Nacional de Itatiaia (PNI). O PNI apesar da importância ecologia e de preservação não tem informações sobre seus solos em nível de detalhe que possa dar suporte a pesquisas e ao plano de manejo. Buscando entender o processo envolvendo a gênese e distribuição dos solos no ambiente montanhoso do PNI e fatores que envolvem a vulnerabilidade ambiental nessa região o presente estudo foi desenvolvido. Os objetivos foram desenvolver uma base de dados num ambiente SIG com informação sobre os solos (classes e atributos), vegetação, relevo, geologia e (covariáveis ambientais) para apoiar ações de investigação interdisciplinar, programas de educação ambiental e plano do manejo do parque. Ainda avaliar a vulnerabilidade ambiental integrando informações do ambiente físico com conhecimento de especialistas para conciliar a demanda de uso público com a conservação dos ecossistemas. Para tanto foi feita amostragem, coleta, descrição, caracterização, classificação e mapeamento dos solos e foi preparado uma base de dados com todas as covariáveis ambientais de posse dos dados, métodos robustos de mapeamento digital de solos foram testados a fim de se otimizar o desempenho dos algoritmos para a predição de atributos de solo e avaliação de incerteza. Por fim, dados da revisão de literatura, abordagem participativa e conhecimento especializado e variáveis biofísicas produzidas nas etapas anteriores foram incorporadas em uma rede de crença Bayesiana (BBN, inglês) para predizer a vulnerabilidade ambiental, bem como para produzir a incerteza associada. Os resultados produzidos foram suficientes para preencher a lacuna da falta de informação sobre solos no PNI e entender os fatores relacionados a relação solo paisagem do PNI e são úteis para diversos fins. Algoritmos como o Modelos Aditivos Generalizados (GAM) com seleção de covariáveis baseado no modelo scorpan são eficientes em predizer atributos do mesmo utilizando limitado número de pontos. E apesar da complexidade da área de estudo, BBN conseguiu produzir um resultado significativo da distribuição espacial da vulnerabilidade ambiental e se mostrou uma abordagem alternativa menos subjetiva do que os convencionais métodos de avaliação da vulnerabilidade ambiental.por
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpor
dc.description.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológicopor
dc.description.sponsorshipFAPERJ - Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de Janeiropor
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Federal Rural do Rio de Janeiropor
dc.rightsAcesso Abertopor
dc.subjectPedometriapor
dc.subjectMapeamento Digital de Solospor
dc.subjectLevantamento de Solopor
dc.subjectFunções do Solopor
dc.subjectPedometricseng
dc.subjectDigital Soil Mappingeng
dc.subjectSoil Surveyeng
dc.subjectSoil Functionseng
dc.titleCaracterização de solos e avaliação da vulnerabilidade de ambientes no Parque Nacional de Itatiaia, Brasilpor
dc.title.alternativeSoil characterization and evaluation of environments vulnerability in Itatiaia National Park, Brazil.eng
dc.typeTesepor
dc.description.abstractOtherKnowledge of soils and their properties is essential for environmental planning in natural systems especially in a conservation unit such as the Itatiaia National Park (INP). The INP, despite the importance of ecology and preservation, does not have information on its soils in detail that can support research and management plan. Aiming to understand the process involving the genesis and soils distribution in the mountainous environment of the INP and factors that involve the environmental vulnerability in this region the present study was developed. The objectives were to develop a database in a GIS environment with information on soils (classes and attributes), vegetation, relief, geology and geomorphology and to produce (environmental covariates) to support interdisciplinary research actions, environmental education programs and plan of park management. To further evaluate environmental vulnerability by integrating information from the physical environment with expert knowledge to reconcile public use demand with ecosystem conservation. In order to do so, sampling, collection, description, characterization, classification and mapping of soils was prepared and a database was prepared with all the environmental variables of data ownership, robust methods of digital soil mapping were tested in order to optimize the performance of the algorithms for the prediction of soil attributes and uncertainty evaluation. Finally, data from the literature review, participatory approach and specialized knowledge and biophysical variables produced in the previous steps were incorporated into a Bayesian belief network (BBN) to predict environmental vulnerability as well as to produce associated uncertainty. The results produced were sufficient to fill the gap in the lack of information on soils in the INP and to understand the factors related to the landscape soil relationship of the INP and are useful for several purposes. Generalized Additive Model Algorithms (GAM) with covariates selection based on the scorpan model are efficient in predicting attributes of the same using a limited number of points. And despite the complexity of the study area, the BBN was able to produce a significant result of the spatial distribution of environmental vulnerability and proved to be an alternative approach less subjective than conventional methods of assessing environmental vulnerability.eng
dc.contributor.advisor1Anjos, Lúcia Helena Cunha dos
dc.contributor.advisor1IDCPF: 660.519.407-15por
dc.contributor.advisor-co1Pinheiro, Helena Saraiva Koenow
dc.contributor.advisor-co1IDCPF: 063.451.836-44por
dc.contributor.advisor-co2Poggio, Laura
dc.contributor.referee1Anjos, Lúcia Helena Cunha dos
dc.contributor.referee2Ceddia, Marcos Bacis
dc.contributor.referee3Rosa, Alessandro Samuel
dc.contributor.referee4Chagas, César da Silva
dc.contributor.referee5Fernandes Filho, Elpídio Inácio
dc.creator.IDCPF: 092.208.506-48por
dc.creator.IDOrcid iD: https://orcid.org/0000-0003-3630-1174por
dc.creator.Latteshttp://lattes.cnpq.br/2831196588233643por
dc.publisher.countryBrasilpor
dc.publisher.departmentInstituto de Agronomiapor
dc.publisher.initialsUFRRJpor
dc.publisher.programPrograma de Pós-Graduação em Agronomia - Ciência do Solopor
dc.relation.referencesAALDERS, I.; HOUGH, R. L.; TOWERS, W. Risk of erosion in peat soils – an investigation using Bayesian belief networks. Soil Use and Management, v. 27, n. December, p. 538–549, 2011. ADAMI, S. F.; COELHO, R. M.; CHIBA, M. K.; MORAES, J. F. L. DE. Environmental fragility and susceptibility mapping using geographic information systems: applications on Ribeirão do Pinhal watershed (Limeira, State of São Paulo). Acta Scientiarum, v. 34, n. 4, p. 433–440, 2012. ADHIKARI, K.; HARTEMINK, A. E. Linking soils to ecosystem services - A global review. Geoderma, v. 262, p. 101–111, 2016. ADHIKARI, K.; KHEIR, R. B.; GREVE, M. B.; MALONE, B. P.; MINASNY, B.; MCBRATNEY, A. B.; GREVE, M. H. High-resolution 3-D mapping of Soil texture in Denmark. Soil Science Society of America Journal, v. 77, p. 860–876, 2013. AGRESTI, A. Categorical data analysis, New york: John Wiley & Sons. Gainesville. 2002. AGUILERA, P. A.; FERNÁNDEZ, A.; FERNÁNDEZ, R.; RUMÍ, R.; SALMERÓN, A. Bayesian networks in environmental modelling. Environmental Modelling and Software, v. 26, n. 12, p. 1376–1388, 2011. ALVARES, C. A.; STAPE, J. L.; SENTELHAS, P. C.; GONÇALVES, J. L. DE M.; SPAROVEK, G. Koppen’ s climate classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711–728, 2013. AMIRIAN CHAKAN, A.; TAGHIZADEH-MEHRJARDI, R.; KERRY, R.; KUMAR, S.; KHORDEHBIN, S.; YUSEFI KHANGHAH, S. Spatial 3D distribution of soil organic carbon under different land use types. Environmental Monitoring and Assessment, v. 131, n. 3, p. 1–16, 2017. ANTUNES, M. A. H.; DEBIASI, P.; SIQUEIRA, J. C. DOS S. Avaliação espectral e geométrica das imagens Rapideye e seu potencial para o mapeamento e monitoramento agrícola e ambiental. Revista Brasileira de Cartografia, v. 66, n. 1, p. 105–113, 2014. ARAÚJO FILHO, J. C.; JACOMINE. Utilidade dos mapeamentos de solos e possíveis relações custo/benefício das iniciativas realizadas no país. Boletim iformativo da SBCS, v. 39, n. 1, p. 15–19, 2014. ARROUAYS, D., GRUNDY, M., HARTEMINK, A.E., HEMPEL, J.W., HEUVELINK, G.B., HONG, S.Y., LAGACHERIE, P., LELYK, G., MCBRATNEY, A.B., MCKENZIE, N.J., D.L MENDONCA-SANTOS, M., MINASNY, B., MONTANARELLA, L., ODEH, I., SANCHEZ, P., THOMPSON, J., ZHANG, G.L. Chapter three - GlobalSoilMap: toward a fine-resolution global grid of soil properties. Vol. 125 of advances in agronomy. Academic Press 93–134. 2014. ARUN, K.; LANGMEAD, C. Structure based chemical shift prediction using Random Forests non-linear regression Proceedings of the Fourth Asia-Pacific Bioinformatics Conference. Anais...Taipei, Taiwan: 2005 ASHTEKAR, J. M.; OWENS, P. R. Remembering knowledge: An expert knowledge-based approach to digital soil mapping. Soil Horizons, v. 54, n. 5, p. 0, 2013. AXIMOFF, I. A.; ALVES, R. G.; RODRIGUES, R. DE C. Campos de altitude do Itatiaia: Aspectos ambientai, biológico e ecológicos. Boletim do Parque Nacional do Itatiaia N° 18, p. 74, 2014. AXIMOFF, I. A.; RODRIGUES, R. D. C. Histórico dos incêndios florestais no Parque Nacional do Itatiaia. Ciencia Florestal, v. 21, n. 1, p. 83–92, 2011. BACHOFER, F.; QUÉNÉHERVÉ, G.; HOCHSCHILD, V.; MAERKER, M. Multisensoral topsoil mapping in the semiarid lake Manyara region, Northern Tanzania. Remote Sensing, v. 7, p. 9563–9586, 2015. BARBERENA, F. F. V. A.; BAUMGRATZ, J. F. A.; CHIAVEGATTO, B. Melastomataceae No Parque Nacional Do Itatiaia, Sudeste Do Brasil: Tribos Bertolonieae E Merianieae. Rodriguésia, v. 59, n. 2, p. 381–392, 2008. BARBOSA, H. S. L.; TEXEIRA, P. H. S.; CAMPOS, A. C.; FIGUEIREDO, M. DO A.; ROCHA, L. C.; NEGREIROS, A. B. Aspectos da degradação ambiental de uma trilha recreacional na Serra do Lenheiro, São João del-Rei, MG. Territorium Terram, v. 5, n. 1, p. 32–40, 2015. BARRETO, C. G.; CAMPOS, J. B.; ROBERTO, D. M.; ROBERTO, D. M.; SCHWARZSTEIN, N. T.; ALVES, G. S. G.; COELHO, W. Plano de Manejo: Parque Nacional do Itatiaia.Encarte 3. Relatório Técnico Instituto Chico Mendes, 2013. BARROS, A.; GONNET, J.; PICKERING, C. Impacts of informal trails on vegetation and soils in the highest protected area in the Southern Hemisphere. Journal of Environmental Management, v. 127, p. 50–60, 2013. BARROS, M. I. A.; MAGRO, T. C. Visitors’ experience and lack of knowledge of minimum impact techniques in the highlands of Brazil’s Itatiaia National Park. USDA Forest Service Proceedings RMRS, p. 374–379, 2007. BASHARI, H.; NAGHIPOUR, A. A.; KHAJEDDIN, S. J.; SANGOONY, H.; TAHMASEBI, P. Risk of fire occurrence in arid and semi-arid ecosystems of Iran: an investigation using Bayesian belief networks. Environmental Monitoring and Assessment, v. 188, n. 9, 2016. BAYESFUSION, L. GeNIe Modeler Software. © Copyright 2018 BayesFusion, LLC, 2018. BEAUDETTE, D. E.; ROUDIER, P.; O’GEEN, A. T. Algorithms for quantitative pedology: A toolkit for soil scientists. Computers and Geosciences, v. 52, n. March, p. 258–268, 2013. BEGUIN, J.; FUGLSTAD, G.; MANSUY, N.; PARÉ, D. Predicting soil properties in the Canadian boreal forest with limited data: Comparison of spatial and non-spatial statistical approaches. Geoderma, v. 306, n. November, p. 195–205, 2017. BENITES, V. M.; SCHAEFER, C. E. G. R.; SIMAS, F. N. B.; SANTOS, H. G. Soils associated with rock outcrops in the Brazilian mountain ranges Mantiqueira and Espinhaço. Revista Brasileira de Botânica, v. 30, n. 4, p. 569–577, 2007. BHERING, S. B.; CHAGAS, C. DA S.; CARVALHO JÚNIOR, W.; PEREIRA, N. R.; CALDERANO FILHO, B.; PINHEIRO, H. S. K. Mapeamento digital de areia, argila e carbono orgânico por modelos Random Forest sob diferentes resoluções espaciais. Pesquisa Agropecuaria Brasileira, v. 51, n. 9, p. 1359–1370, 2016. BIVAND, R.; KEITT, T.; ROWLINGSON, B. rgdal: Bindings for the geospatial data abstraction library, 2017. Disponível em: <https://cran.r-project.org/package=rgdal> BIVAND, R.; LEWIN-KOH, N. maptools: Tools for reading and handling spatial objects, 2017. Disponível em: <https://cran.r-project.org/package=maptools> BRADE, A. C. A flora do Parque Nacional do Itatiaia. Boletim do Parque Nacional do Itatiaia No 5, 1956. BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. BRENNING, A.; BLASCHKE, T.; MONTANARELLA, L. Statistical geocomputing combining R and SAGA: The example of landslide susceptibility analysis with generalized additive models. In: SAGA -- Seconds Out (= Hamburger Beitraege zur Physischen Geographie und Landschaftsoekologie, vol. 19). [s.l.] J. Boehner, T. Blaschke, L. Montanarella, 2008. p. 23–32. BROGNIEZ, D. DE; BALLABIO, C.; STEVENS, A.; JONES, R. J. A.; MONTANARELLA, L.; WESEMAEL, B. VAN. A map of the topsoil organic carbon content of Europe generated by a generalized additive model. European Journal of Soil Science, v. 66, n. 1, p. 121–134, 2015. BRUNGARD, C. W.; BOETTINGER, J. L.; DUNIWAY, M. C.; WILLS, S. A.; EDWARDS, T. C. Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma, v. 239, p. 68–83, 2015. BRUS, D. J. Balanced sampling: A versatile sampling approach for statistical soil surveys. Geoderma, v. 253–254, p. 111–121, 2015. BRUS, D. J.; KEMPEN, B.; HEUVELINK, G. B. M. Sampling for validation of digital soil maps. European Journal of Soil Science, v. 62, n. 3, p. 394–407, 2011. CALDERANO FILHO, B.; POLIVANOV, H.; CARVALHO JUNIRO, W.; CHAGAS, C. DA S.; CALDERANO, S. B. Avaliação da vulnerabilidade ambiental de regiões tropicais montanhosas com suporte de SIG. Revista de Geografia, v. 35, n. 3, p. 269–288, 2018. CÂMARA, G.; SOUZA, R.; FREITAS, U.; GARRIDO, J. Spring: integrating remote sensing and gis by object- oriented data modelling. Computers & graphics, v. 2, n. 3, p. 395–403, 1996. CAMBULE, A. H.; ROSSITER, D. G.; STOORVOGEL, J. J. A methodology for digital soil mapping in poorly-accessible areas. Geoderma, v. 192, n. 0, p. 341–353, 2013. CAMBULE, A. H.; ROSSITER, D. G.; STOORVOGEL, J. J.; SMALING, E. M. A. Soil organic carbon stocks in the limpopo national park, mozambique: Amount, spatial distribution and uncertainty. Geoderma, v. 213, p. 46–56, 2014. CAMERA, C.; ZOMENI, Z.; NOLLER, J. S.; ZISSIMOS, A. M.; CHRISTOFOROU, I. C.; BRUGGEMAN, A. A high resolution map of soil types and physical properties for Cyprus: A digital soil mapping optimization. Geoderma, v. 285, p. 35–49, 2017. CARVALHO JUNIOR, W.; CALDERANO FILHO, B.; CHAGAS, C. DA S.; BHERING, S. B.; PEREIRA, N. R.; PINHEIRO, H. S. K. Regressão linear múltipla e modelo Random Forest para estimar a densidade do solo em áreas montanhosas. Pesquisa Agropecuária Brasileira, v. 51, n. 9, p. 1428–1437, 2016. CARVALHO JÚNIOR, W.; CHAGAS, C. D. S.; MUSELLI, A.; PINHEIRO, H. S. K.; PEREIRA, N. R.; BHERING, S. B. Método do hipercubo latino condicionado para a amostragem de solos na presença de covariáveis ambientais visando o mapeamento digital de solos. Revista Brasileira de Ciência do Solo, v. 38, n. 2, p. 386–396, 2014. CARVALHO JÚNIOR, W.; LUMBRERAS, J. F.; LEMOS, A. L.; SANTOS, R. D.; FILHO, B. C.; WITTERN, K. P. Mapa Mapa de Solos do Estado do Rio de Janeiro, Escala 1:500.000, 2000. CAVAZZI, S.; CORSTANJE, R.; MAYR, T.; HANNAM, J.; FEALY, R. Are fine resolution digital elevation models always the best choice in digital soil mapping? Geoderma, v. 195– 196, p. 111–121, 2013. CELIO, E.; KOELLNER, T.; GRÊT-REGAMEY, A. Modeling land use decisions with Bayesian networks: Spatially explicit analysis of driving forces on land use change. Environmental Modelling and Software, v. 52, p. 222–233, 2014. CEREDA JUNIOR, A.; RÖHM, S. A. Analysis of environmental fragility using multi-criteria analysis (MCE) for integrated landscape assessment. Journal of Urban and Environmental Engineering, v. 8, n. 1, p. 28–37, 2014. CHAGAS, C. DA S.; CARVALHO JUNIOR, W.; BHERING, S. B.; CALDERANO FILHO, B. Spatial prediction of soil surface texture in a semiarid region using random forest and multiple linear regressions. Catena, v. 139, p. 232–240, 2016. CHAGAS, C. DA S.; PINHEIRO, H. S. K.; CARVALHO JUNIOR, W. DE; ANJOS, L. H. C. DOS; PEREIRA, N. R.; BHERING, S. B. Data mining methods applied to map soil units on tropical hillslopes in Rio de Janeiro, Brazil. Geoderma Regional, v. 9, p. 47–55, 2017. CHARTIN, C.; STEVENS, A.; GOIDTS, E.; KRÜGER, I.; CARNOL, M.; WESEMAEL, B. VAN. Mapping soil organic Carbon stocks and estimating uncertainties at the regional scale following a legacy sampling strategy (Southern Belgium, Wallonia). Geoderma Regional, v. 9, p. 73–86, 2017. CHEN, S. H.; POLLINO, C. A. Good practice in Bayesian network modelling. Environmental Modelling and Software, v. 37, p. 134–145, 2012. CHOUDHARY, K.; BOORI, M. S.; KUPRIYANOV, A. Spatial modelling for natural and environmental vulnerability through remote sensing and GIS in Astrakhan, Russia. The Egyptian Journal of Remote Sensing and Space Sciences, v. 31, n. May, p. 1–9, 2017. CLIFFORD, D.; PAYNE, J. E.; PRINGLE, M. J.; SEARLE, R.; BUTLER, N. Pragmatic soil survey design using flexible Latin hypercube sampling. Computers and Geosciences, v. 67, p. 62–68, 2014. COSTA, E. M.; ANTUNES, M. A. H.; DEBIASI, P.; ANJOS, L. H. C. DOS. Processamento de imagens RapidEye no mapeamento de uso do solo em ambiente de Mar de Morros. Pesquisa Agropecuária Brasileira, v. 51, n. 9, p. 1417–1427, 2016. CREPANI, E.; MEDEIROS, J. S. DE; HERNANDEZ FILHO, P.; FLORENZANO, T. G.; DUARTE, V.; BARBOSA, C. C. F. Sensoriamento remoto e geoprocessamento aplicados ao zoneamento ecológico-econômico e ao ordenamento territorial. INPE(INPE-8454-RPQ/722), p. 103, 2001. D’ANTONIO, A.; MONZ, C.; NEWMAN, P.; LAWSON, S.; TAFF, D. Enhancing the utility of visitor impact assessment in parks and protected areas: A combined socialeecological approach. Journal of Environmental Management, v. 124, p. 72–81, 2013. DE LANGE, H. J.; SALA, S.; VIGHI, M.; FABER, J. H. Ecological vulnerability in risk assessment – A review and perspectives. Science of the Total Environment, v. 408, n. 18, p. 3871-3879. 2010. DELGADO, R. C.; PEREIRA, M. G.; TEODORO, P. E.; SANTOS, G. L. DOS; CARVALHO, D. C. DE; MAGISTRALI, I. C.; VILANOVA, R. S. Seasonality of gross primary production in the Atlantic Forest of Brazil. Global Ecology and Conservation, v. 14, p. e00392, 2018. DÍAZ-URIARTE, R.; ANDRÉS, S. A. Gene selection and classification of microarray data using random forest. BMC bioinformatics, v. 7, p. 3, 2006. DONAGEMMA, K. G.; CAMPOS, D. V. B.; CALDERANO, S. B.; TEIXEIRA, W. G.; VIANA, J. H. M. Manual de métodos de Análise de solo. Embrapa Solos. Rio de Janeiro. 2011. 225p. ESRI. ENVIRONMENTAL SYSTEMS RESEARCH INSTITUTE. Software: ArcGIS e ArcINFONova York, EUA, 2015. Disponível em: <http://www.esri.com/software/arcgis/arcgis-for-desktop/free-trial> FERNANDES FILHO, E. I.; SCHAEFER, C. E. G. R.; ABRAHÃO, W. A. P. Mapa de solos do estado de Minas Gerais: Legenda expandida, 2010. FICK, S. E.; HIJMANS, R. J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, v. 37, n. 12, p. 4302–4315, 2017. FIGUEIREDO, M. DO A.; BRITO, Í. DE A.; TAKEUCHI, R. C.; ALMEIDA-ANDRADE, M.; ROCHA, C. T. V. Compactação do solo como indicador pedogeomorfológico para erosão em trilhas de unidades de conservação: Estudo de caso no parque nacional da Serra do Cipó, MG. Revista de Geografia. Recife, v. 8, n. 3, p. 236–247, 2010. FORKUOR, G.; HOUNKPATIN, O. K. L.; WELP, G.; THIEL, M. High resolution mapping of soil properties using remote sensing variables in South-Western Burkina Faso: A comparison of machine learning and multiple linear regression models. Plos One, v. 12, n. 1, p. e0170478, 2017. FREIRE, E. DOS S.; LEMOS, L. DE O. Uso Público no Parque Nacional do Itatiaia. In: VII Congresso Brasileiro de Geógrafos. p. 1–12, 2014 GENELETTI, DAVIDE & DAWA, DORJE. Environmental impact assessment of mountain tourism in developing regions: A study in Ladakh, Indian Himalaya. Environmental Impact Assessment Review. V. 29, n. 4, p. 229-242. 2009. GONZALEZ-REDIN, J.; LUQUE, S.; POGGIO, L.; SMITH, R.; GIMONA, A. Spatial Bayesian Belief networks as a planning decision tool for mapping ecosystem services tradeoffs on forested landscapes. Environmental Research, v. 144, p. 15–26, 2016. GRIMM, R.; BEHRENS, T.; MÄRKER, M.; ELSENBEER, H. Soil organic carbon concentrations and stocks on Barro Colorado Island - Digital soil mapping using Random Forests analysis. Geoderma, v. 146, n. 1–2, p. 102–113, 2008. GUO, P. T.; LI, M. F.; LUO, W.; TANG, Q. F.; LIU, Z. W.; LIN, Z. M. Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach. Geoderma, v. 237–238, p. 49–59, 2015. HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: Data mining, inference and prediction. 2o ed. Stanford, California: Springer Series in Statistics, 2009. HEMMING, V.; BURGMAN, M. A.; HANEA, A. M.; MCBRIDE, M. F.; WINTLE, B. C. A practical guide to structured expert elicitation using the IDEA protocol. Methods in Ecology and Evolution, v. 9, n. 1, p. 169–180, 2017. HENGL, T. A Practical guide to geostatistical mapping. 1º ed. Amsterdam: p. 293, 2009 HENGL, T. E.; HEUVELINK, G. B. M. New challenges for predictive soil mapping. Anais. Global Workshop on Digital Soil Mapping. Anais. 2004. Hengl, T., MacMillan, R.A., Predictive Soil Mapping with R. OpenGeoHub foundation, Wageningen, the Netherlands, www.soilmapper.org, ISBN: 978-0-359-30635-0. p. 370, 2019. HENGL, T.; HEUVELINK, G. B. M.; KEMPEN, B.; LEENAARS, J. G. B.; WALSH, M. G.; SHEPHERD, K. D.; SILA, A.; MACMILLAN, R. A.; JESUS, J. M. DE; TAMENE, L.; TONDOH, J. E. Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions. PLOS ONE, v. 10, n. 6, p. 1–26, 2015. HENGL, T.; HEUVELINK, G. B. M.; ROSSITER, D. G. About regression-kriging: From equations to case studies. Geoderma, v. 33, p. 1301–1351, 2007. HIJMANS, R. J. raster: geographic data analysis and modeling, 2016. Disponível em: <https://cran.r-project.org/package=raster> HØJSGAARD, S. Graphical Independence networks with the gRain package for R. Journal of Statistical Software, v. 46, n. 10, p. 1–26, 2012. HUANG, J.; MALONE, B. P.; MINASNY, B.; MCBRATNEY, A. B.; TRIANTAFILIS, J. Evaluating a Bayesian modelling approach (INLA-SPDE) for environmental mapping. Science of the Total Environment, v. 609, n. July, p. 621–632, 2017. HUETE, A. R. A. Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment, v. 25, p. 295–308, 1988. IBGE. Manual Técnico de Pedologia. 3o Edição ed. Rio de Janeiro: p. 425, 2015 IUSS WORKING GROUP WRB. World reference base for soil resources 2014. International soil classification system for naming soils and creating legends for soil maps. Update 2015. Rome: 2015. 1-192 p. IWAMOTO, P.K.; RODRIGUES, M.G. Uma proposta de delimitação da zona de amortecimento do Parque Nacional do Itatiaia, Rio de Janeiro, Brasil. Revista Nordestina de Ecoturismo, v. 4, n. 2, p. 5–14, 2011. JEONG, G.; OEVERDIECK, H.; PARK, S. J.; HUWE, B.; LIESS, M. Spatial soil nutrients prediction using three supervised learning methods for assessment of land potentials in complex terrain. Catena, v. 154, p. 73–84, 2017. JEUNE, W.; FRANCELINO, M. R.; SOUZA, E. DE; FERNANDES FILHO, E. I.; ROCHA, G. C. Multinomial logistic regression and random forest classifiers in digital mapping of soil classes in western Haiti. Revista Brasileira de Ciencia do Solo, v. 42, p. 1–20, 2018. KEMPEN, B.; BRUS, D. J.; HEUVELINK, G. B. M.; STOORVOGEL, J.J. Updating the 1:50,000 Dutch soil map using legacy soil data: a multinomial logistic regression approach. Geoderma, v. 151, p. 311–326, 2009. KEMPEN, B.; BRUS, D. J.; STOORVOGEL, J. J. Three-dimensional mapping of soil organic matter content using soil type–specific depth functions. Geoderma, v. 162, n. 1–2, p. 107–123, 2011. KEMPEN, B.; HEUVELINK, G. B. M.; BRUS, D. J.; STOORVOGEL, J. J. Pedometric mapping of soil organic matter using a soil map with quantified uncertainty. European Journal of Soil Science, v. 61, n. 3, p. 333–347, 2010. KIDD, D.; MALONE, B.; MCBRATNEY, A. B.; MINASNY, B.; WEBB, M. Operational sampling challenges to digital soil mapping in Tasmania, Australia. Geoderma Regional, v. 4, p. 1–10, 2015. KIDD, D.; WEBB, M.; MALONE, B.; MINASNY, B.; MCBRATNEY, A. Eighty-metre resolution 3D soil-attribute maps for Tasmania, Australia. Soil Research, v. 53, n. 8, p. 932– 955, 2015. KUHN, M.; WING, J.; WESTON, S.; WILLIAMS, A.; KEEFER, C.; ENGELHARDT, A.; COOPER, T.; MAYER, Z.; KENKEL, B.; BENESTY, M.; LESCARBEAU, R.; ZIEM, A.; SCRUCCA, L.; TANG, Y.; CANDAN, C.; HUNT, T. caret: classification and regression training, 2017. Disponível em: <https://cran.r-project.org/package=caret> LAGACHERIE, P.; SNEEP, A. R.; GOMEZ, C.; BACHA, S.; COULOUMA, G.; HAMROUNI, M. H.; MEKKI, I. Combining Vis-NIR hyperspectral imagery and legacy measured soil profiles to map subsurface soil properties in a Mediterranean area (Cap-Bon, Tunisia). Geoderma, v. 209–210, p. 168–176, 2013. LANDUYT, D.; BIEST, K. VAN DER; BROEKX, S.; STAES, J.; MEIRE, P.; GOETHALS, P. L. M. A GIS plug-in for Bayesian belief networks: Towards a transparent software framework to assess and visualise uncertainties in ecosystem service mapping. Environmental Modelling & Software, v. 71, n. June, p. 30–38, 2015. LANDUYT, D.; BROEKX, S.; ROB, D.; ENGELEN, G.; AERTSENS, J.; GOETHALS, P. L. M. A review of Bayesian belief networks in ecosystem service modelling. Environmental Modelling and Software, v. 46, p. 1–11, 2013. LI, Y.; ZHU, A.; SHI, Z.; LIU, J.; DU, F. Supplemental sampling for digital soil mapping based on prediction uncertainty from both the feature domain and the spatial domain. Geoderma, v. 284, p. 73–84, 2016. LIESS, M. Sampling for regression-based digital soil mapping: Closing the gap between statistical desires and operational applicability. Spatial Statistics, v. 13, p. 106–122, 2015. LIMA, W. G.; GUEDES-BRUNI, R. R. Myrceugenia (Myrtaceae) ocorrentes no Parque Nacional do Itatiaia, Rio de Janeiro. Rodriguésia, v. 55, n. 85, p. 71–94, 2004. LIU, F.; ZHANG, G.-L.; SUN, Y.-J.; ZHAO, Y.-G.; LI, D.-C. Mapping the three-dimensional distribution of soil organic matter across a subtropical hilly landscape. Soil Science Society of America Journal, v. 77, n. 4, p. 1241, 2013. MAGRO, T. CRISTINA; BARROS, M. I. A. Understanding use and users at Itatiaia National Park. 1o ed. Ralf Buckley. (Org.), 2004. MALONE, B. P.; MCBRATNEY, A. B.; MINASNY, B. Empirical estimates of uncertainty for mapping continuous depth functions of soil attributes. Geoderma, v. 160, n. 3–4, p. 614–626, 2011. MANFRÉ, L. A.; SILVA, A. M. DA; URBAN, R. C.; RODGERS, J. Environmental fragility evaluation and guidelines for environmental zoning: A study case on Ibiuna (the Southeastern Brazilian region). Environmental Earth Sciences, v. 69, n. 3, p. 947–957, 2013. MARCOT, B. G. Metrics for evaluating performance and uncertainty of Bayesian network models. Ecological Modelling, v. 230, p. 50–62, 2012. MARRA, G.; WOOD, S. N. Practical variable selection for generalized additive models. Computational Statistics and Data Analysis, v. 55, n. 7, p. 2372–2387, 2011. MCBRATNEY, A. B.; MENDONÇA-SANTOS, M. L.; MINASNY, B. On digital soil mapping. Geoderma, v. 117, p. 3–52, 2003. MCBRATNEY, A. B.; MINASNY, B.; CATTLE, S. R.; VERVOORT, R. W. From pedotransfer functions to soil inference systems. Geoderma, v. 109, p. 41–73, 2002. MEDEIROS, J. C.; COOPER, M.; ROSA, J. D.; GRIMALDI, M.; COQUET, Y. Assessment of pedotransfer functions for estimating soil water retention curves for the Amazon region. Revista Brasileira de Ciência do Solo, v. 38, n. 4, p. 730–743, 2014. MEERSMANS, J.; MARTIN, M. P.; RIDDER, F. DE; LACARCE, E.; WETTERLIND, J.; BAETS, S. DE; BAS, C. LE; LOUIS, B. P.; ORTON, T. G.; BISPO, A.; ARROUAYS, D. A novel soil organic C model using climate, soil type and management data at the national scale in France. Agronomy for Sustainable Development, v. 32, n. 4, p. 873–888, 2012. MEIER, M.; SOUZA, E.; FRANCELINO, M. R.; FERNANDES FILHO, E. I.; SCHAEFER, C. E. G. Digital soil mapping using machine learning algorithms in a tropical mountainous area. Revista Brasileira de Ciência do Solo, v. 42, p. 1–23, 2018. MENEZES, M. D. DE; SILVA, S. H. G.; MELLO, C. R. DE; OWENS, P. R.; CURI, N. Knowledge-based digital soil mapping for predicting soil properties in two representative watersheds. Scientia Agricola, v. 75, n. 2, p. 144–153, 2018. MENEZES, M. D. DE; SILVA, S. H. G.; MELLO, C. R. DE; OWENS, P. R.; CURI, N. Solum depth spatial prediction comparing conventional with knowledge-based digital soil mapping approaches. Scientia Agricola, v. 71, n. 4, p. 316–323, 2014. MERRILL, H. R.; GRUNWALD, S.; BLIZNYUK, N. Semiparametric regression models for spatial prediction and uncertainty quantification of soil attributes. Stochastic Environmental Research and Risk Assessment, p. 1–14, 2016. MEYER, S. R.; JOHNSON, M. L.; LILIEHOLM, R. J.; CRONAN, C. S. Development of a stakeholder-driven spatial modeling framework for strategic landscape planning using Bayesian networks across two urban-rural gradients in Maine, USA. Ecological Modelling, v. 291, p. 42–57, 2014. MEZABARBA, V.; VIANA FILHO, M. D. M.; BORGES, R. A. X.; MANSANO, V. D. F. Ericaceae do Parque Nacional do Itatiaia, RJ, Brasil. Hoehnea, v. 40, n. 1, p. 115–130, 2013. MINASNY, B.; MCBRATNEY, A. B. A conditioned Latin hypercube method for sampling in the presence of ancillary information. Computers and Geosciences, v. 32, n. 9, p. 1378–1388, 2006. MINASNY, B.; MCBRATNEY, A. B. Latin hypercube sampling as tool for digital soil mapping. Developments in Soil Science, v. 31, n. 1997, p. 153–606, 2007. MONARD, M. C.; BARANAUSKAS, J. A. Conceitos sobre Aprendizado de Máquina. In: OLIVEIRA, S. R. (Ed.). Sistemas inteligentes: fundamentos e aplicações. 1o ed. Barueri-SP: Sistemas Inteligentes Fundamentos e Aplicações, 2003. p. 89–114. MONTANARELLA, L.; WESEMAEL, B. VAN; STEVENS, A.; NOCITA, M.; TO, G. Prediction of soil organic carbon at the European scale by visible and near infrared reflectance spectroscopy. PLOS ONE, v. 8, n. 6, p. 1–13, 2013. MORIM, MARLI PIRES BARROSO, G. M. Leguminosae arbustivas e arbóreas da Floresta Atlântica do Parque Nacional do Itatiaia, sudeste do Brasil; subfamilias Caesalpinioideae e Mimosoideae. Rodriguesia, v. 58, p. 423–468, 2007. MULDER, V. L.; LACOSTE, M.; ARROUAYS, D. GlobalSoilMap France: High-resolution spatial modelling the soils of France up to two-meter depth. Science of the Total Environment, v. 573, p. 1352–1369, 2016. MULDER, V. L.; LACOSTE, M.; RICHER-DE-FORGES, A. C.; MARTIN, M. P.; ARROUAYS, D. National versus global modelling the 3D distribution of soil organic carbon in mainland France. Geoderma, v. 263, p. 16–34, 2016. MUTANGA, O.; ADAM, E.; CHO, M. A. High density biomass estimation for wetland vegetation using worldview-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation, v. 18, n. 1, p. 399–406, 2012. NGUYEN, A. K.; LIOU, YUEI-AN; LI, MING-HSU; TRAN, T. A. Zoning eco-environmental vulnerability for environmental management and protection. Ecological Indicators, v. 69, p. 100-117. 2016. NGUYEN, C.; WANG, Y.; NGUYEN, H. N. Random forest classifier combined with feature selection for breast cancer diagnosis and prognostic. Journal of Biomedical Science and Engineering, v. 06, n. 05, p. 551–560, 2013. NUSSBAUM, M.; SPIESS, K.; BALTENSWEILER, A.; GROB, U.; KELLER, A.; GREINER, L.; SCHAEPMAN, M. E.; PAPRITZ, A.; DYNAMICS, P.; LABORATORIES, R. S. Evaluation of digital soil mapping approaches with large sets of environmental covariates. SOIL Discussions, v. 4, p. 1–22, 2018. OLIVE, N. D.; MARION, J. L. The influence of use-related, environmental, and managerial factors on soil loss from recreational trails. Journal of Environmental Management, v. 90, p. 1483–1493, 2009. OLIVEIRA, J. G. R.; TAVARES FILHO, J.; BARBOSA, G. M. D. C. Qualidade física do solo das trilhas do parque estadual do Cerrado – PR. Semina: Ciências Agrárias, v. 34, n. 4, p. 1715–1722, 2013. OLIVEIRA, S. N.; CARVALHO JÚNIOR, O. A.; MARTINS, É. DE S.; SILVA, T. M. DA; GOMES, R. A. T.; GUIMARÃES, R. F. Identificação de unidades de paisagem e sua implicação para o ecoturismo no parque nacional da Serra dos Órgãos, Rio de Janeiro. Revista Brasileira de Geomorfologia, v. 8, n. 1, p. 87–107, 2007. PINHEIRO, H. S. K.; CARVALHO JUNIOR, W.; CHAGAS, C. DA S.; ANJOS, L. H. C.; OWENS, P. R. Prediction of topsoil texture through regression trees and multiple linear regressions. Revista Brasileira de Ciência do Solo, v. 42, p. 1–21, 2018. PINHEIRO, H. S. K.; CHAGAS, C. DA S.; CARVALHO JUNIOR, W.; ANJOS, L. H. C. Ferramentas de pedometria para caracterização da composição granulométrica de perfis de solos hidromórficos. Pesquisa Agropecuária Brasileira, v. 51, n. 9, p. 1326–1338, 2016. PINHEIRO, H. S. K.; HELENA, L.; ANJOS, C.; XAVIER, P. A. M.; CESAR, S. Quantitative pedology to evaluate a soil profile collection from the Brazilian semi-arid region. South African Journal of Geomatics, v. 1862, p. 1–11, 2018. POGGIO, L.; GIMONA, A. 3D mapping of soil texture in Scotland. Geoderma Regional, v. 9, p. 5–16, 2017a. POGGIO, L.; GIMONA, A. Assimilation of optical and radar remote sensing data in 3D mapping of soil properties over large areas. Science of the Total Environment, v. 579, p. 1094-1110, 2017b. POGGIO, L.; GIMONA, A. National scale 3D modelling of soil organic carbon stocks with uncertainty propagation - An example from Scotland. Geoderma, v. 232–234, p. 284–299, 2014. POGGIO, L.; GIMONA, A.; BREWER, M. J. Regional scale mapping of soil properties and their uncertainty with a large number of satellite-derived covariates. Geoderma, v. 209–210, p. 1–14, 2013. POGGIO, L.; GIMONA, A.; BROWN, I.; CASTELLAZZI, M. Soil available water capacity interpolation and spatial uncertainty modelling at multiple geographical extents. Geoderma, v. 160, n. 2, p. 175–188, 2010. POGGIO, L.; GIMONA, A.; SPEZIA, L.; BREWER, M. J. Bayesian spatial modelling of soil properties and their uncertainty: The example of soil organic matter in Scotland using R-INLA. Geoderma, v. 277, p. 69–82, 2016. POGGIO, L.; SIMONETTI, E.; GIMONA, A. Enhancing the WorldClim data set for national and regional applications. Science of the Total Environment, v. 625, p. 1628–1643, 2018. R CORE TEAM. R: A Language and Environment for Statistical ComputingVienna, Austria, 2018. Disponível em: <https://www.r-project.org/> RAD, M. R. P.; TOOMANIAN, N.; KHORMALI, F.; BRUNGARD, C. W.; KOMAKI, C. B.; BOGAERT, P. Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loess derived soils of northern Iran. Geoderma, v. 232–234, p. 97– 106, 2014. RAPIDEYE. RapidEye MosaicTM Product SpecificationsRapidEye Delivering the World, 2012. RICHTER, M.; SOUZA, E. M. F. DE R. DE. Avaliação de impactos ecológicos e sociais do uso público no Parque Nacional do Itatiaia - Trilha Alto dos Brejos. Boletim de Geografia, v. 31, n. 1, p. 91–100, 2013. RODRIGUES, K. R. Geoambientes e solos em ambientes altimontanos nos parques nacionais de Itatiaia e Caparaó-MG. Tese (Doutorado em Ciência do Solo) Universidade Federal de Viçosa. p. 124, 2011. RODRIGUEZ-GALIANO, V. F.; CHICA-OLMO, M.; ABARCA-HERNANDEZ, F.; ATKINSON, P. M.; JEGANATHAN, C. Random Forest classification of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture. Remote Sensing of Environment, v. 121, p. 93–107, 2012. ROSS, J. L. S. Análise empírica da fragilidade dos ambientes naturais e antropizados. Revista do Departamento de Geografia, v. 8, p. 63–74, 1994. ROSS, J. L. S. Landforms and environmental planning: Potentialities and fragilities. Revista do Departamento de Geografia, p. 38–51, 2012. ROUDIER, P. Package ‘clhs’R Package, 2015. ROUDIER, P.; HEWITT, A. E.; BEAUDETTE, D. E. A conditioned Latin hypercube sampling algorithm incorporating operational constraints. Digital Soil Assessments and Beyond, n. September 2015, p. 227–231, 2012. ROVANI, F. F. M.; VIERA, M. Vulnerabilidade Natural do Solo de Silveira Martins-RS. Floresta e Ambiente, v. 23, n. 2, p. 151–160, 2016. RUPPERT, D.; P. WAND, M.; CARROLL, R. Semiparametric Regression. [s.l: s.n.]. v. 101 SAMUEL-ROSA, A.; DALMOLIN, R. S. D.; MIGUEL, P. Building predictive models of soil particle-size distribution. Revista Brasileira de Ciência do Solo, v. 37, n. 2, p. 422–430, 2013. SAMUEL-ROSA, A.; HEUVELINK, G. B. M.; VASQUES, G. M.; ANJOS, L. H. C. Do more detailed environmental covariates deliver more accurate soil maps? Geoderma, v. 243–244, p. 214–227, 2015. SANTOS, H. G.; JACOMINE, P. K. T.; ANJOS, L. H. C. DOS; OLIVEIRA, V. Á.; LUMBRERAS, J. F.; COELHO, M. R.; ALMEIDA, J. A.; CUNHA, T. J. F.; OLIVEIRA, J. B. Brazilian soil classification system. 5o ed. Brasília: Embrapa, 2018. SANTOS, R. D.; LEMOS, R. C.; SANTOS, H. G.; KER, J. C.; ANJOS, L. H. C.; SHIMIZU, S. H. Manual de descrição e coleta de solo no campo. 7°ed. Revisada e ampliada. SBCS. Viçosa. p. 100, 2015 SANTOS, R. F. DOS; PIRES NETO, A. G.; CSORDAS, S. M. O Parque Nacional do Itatiaia. Fundação Brasileira para o Desenvolvimento Sustentável, p. 09-19, 2000. SCUTARI, M. Learning Bayesian Networks with the bnlearn R Package. Journal of Statistical Software, v. 35, n. 3, p. 1–22, 2010. SENA, Í. S. DE; TEIXEIRA, H. W.; FIGUEIREDO, M. DO A.; ROCHA, L. C. Degradação dos solos ao longo de uma trilha de destino a atrativos do monumento geoturístico Serra de São José, Tiradentes, Minas Gerais, Brasil. Geonomos, v. 22, n. 2, p. 70–76, 2014. SHANNON, C. E, A mathematical theory of communication. Bell System Technical Journal. v.27, n.3, p.79–423, 1948. SILVA NETO, E. C.; SANTOS, J. J. S.; PEREIRA, M. G.; MARANHÃO, D. D. C.; BARROS, F. DA C.; ANJOS, L. H. C. Paleoenvironmental characterization of a high-mountain environment in the Atlantic forest in Southeastern Brazil. Revista Brasileira de Ciência do Solo, v. 42, p. 1–17, 2018. SILVA NETO, S. J.; PEIXOTO, A. L. Rubiaceae do Parque Nacional de Itatiaia, Rio de Janeiro, Brasil. Boletim do Parque Nacional do Itatiaia No 14, 2012. SILVA, S. H. G.; TEIXEIRA, A. F. DOS S.; MENEZES, M. D. DE; GUILHERME, L. R. G.; MOREIRA, F. M. DE S.; CURI, N. Multiple linear regression and random forest to predict and map soil properties using data from portable X-ray fluorescence analyzer (pXRF). Ciência e Agrotecnologia, v. in press, n. 6, p. 648–664, 2017. SINDAYIHEBURA, A.; OTTOY, S.; DONDEYNE, S.; MEIRVENNE, M. VAN; ORSHOVEN, J. VAN. Comparing digital soil mapping techniques for organic carbon and clay content: Case study in Burundi’s central plateaus. Catena, v. 156, n. April, p. 161–175, 2017. SOARES, P. F. C.; ANJOS, L. H. C.; PEREIRA, M. G.; PESSENDA, L. C. R. Histosols in an Upper Montane Environment in the Itatiaia Plateau. Revista Brasileira de Ciência do Solo, v. 40, p. 1–13, 2016. SOMARATHNA, P. D. S. N.; MINASNY, B.; MALONE, B. P. More data or a better model? figuring out what matters most for the spatial prediction of soil carbon. Soil Science Society of America Journal, v. 0, n. 0, p. 0, 2017. SOUSA, G. M. DE; FERNANDES, M. DO C.; COSTA, G. A. O. P. DA. Classificação da susceptibilidade à ocorrência de incêndio através de mineração de dados e geobia. Revista Brasileira de Cartografia, v. 3, n. 67, p. 555–567, 2015. SOUZA, E. DE; BATJES, N. H.; PONTES, L. M. Pedotransfer functions to estimate bulk density from soil properties and environmental covariates: Rio Doce basin. Scientia Agricola, v. 73, n. 6, p. 525–534, 2016. SPÖRL, C. Metodologia para elaboração de modelos de fragilidade ambiental utilizando redes neurais. p.185, 2007 SPÖRL, C.; CASTRO, E.; LUCHIARI, A. Aplicação de redes neurais artificiais na construção de modelos de fragilidade ambiental. Revista do Departamento de Geografia - USP, v. 21, n. 0, p. 113–135, 2011. SPÖRL, C.; ROSS, J. L. S. Análise comparativa da fragilidade ambiental com aplicação de três modelos. GEOUSP - Espaço e Tempo, v. 15, p. 39–49, 2004. STUMPF, F.; SCHMIDT, K.; BEHRENS, T.; SCHÖNBRODT-STITT, S.; BUZZO, G.; DUMPERTH, C.; WADOUX, A.; XIANG, W.; SCHOLTEN, T. Incorporating limited field operability and legacy soil samples in a hypercube sampling design for digital soil mapping. Journal of Plant Nutrition and Soil Science, v. 000, p. 1–11, 2016. TAGHIZADEH-MEHRJARDI, R. Digital mapping of cation exchange capacity using genetic programming and soil depth functions in Baneh region, Iran. Archives of Agronomy and Soil Science, v. 62, n. 1, p. 109–126, 2016. TAGHIZADEH-MEHRJARDI, R.; NABIOLLAHI, K.; KERRY, R. Digital mapping of soil organic carbon at multiple depths using different data mining techniques in Baneh region, Iran. Geoderma, v. 266, p. 98–110, 2016. TAGHIZADEH-MEHRJARDI, R.; NABIOLLAHI, K.; MINASNY, B.; TRIANTAFILIS, J. Comparing data mining classifiers to predict spatial distribution of USDA-family soil groups in Baneh region, Iran. Geoderma, v. 253–254, p. 67–77, 2015. TEN CATEN, A. DALMOLIN, R. S. D.; PEDRON, F. A.; MENDONÇA-SANTOS, M. DE L. Regressões logísticas múltiplas: fatores que influenciam sua aplicação na predição de classes de solos. Revista Brasileira de Ciência do Solo, v. 35, n. 4, p. 53–62, 2011. TOMCZYK, A. M. A GIS assessment and modelling of environmental sensitivity of recreational trails: The case of Gorce National Park, Poland. Applied Geography journal, v. 31, p. 339–351, 2011. TOMCZYK, A. M.; EWERTOWSKI, M. Planning of recreational trails in protected areas: Application of regression tree analysis and geographic information systems. Applied Geography, v. 40, p. 129–139, 2013a. TOMCZYK, A. M.; EWERTOWSKI, M. Quantifying short-term surface changes on recreational trails: The use of topographic surveys and ‘digital elevation models of differences’ (DODs). Geomorphology, v. 183, p. 58–72, 2013b. TOMZHINSKI, G. W.; COURA, P. H. F.; FERNANDES, M. DO C. Avaliação da detecção de focos de calor por Sensoriamento Remoto para o Parque Nacional do Itatiaia. Biodiversidade Brasileira, v. 1, n. 2, p. 201–211, 2011. TOMZHINSKI, G. W.; RIBEIRO, K. T.; FERNANDES, M. DO C. Análise geoecológica dos incêndios florestais do Parque Nacional do Itatiaia. Boletim do Parque Nacional do Itatiaia N° 15, 2012. TRUONG, P. N.; HEUVELINK, G. B. M. Uncertainty quantification of soil property maps with statistical expert elicitation. Geoderma, v. 202–203, p. 142–152, 2013. VALLE, I. C.; FRANCELINO, M. R.; PINHEIRO, H. S. K. Mapeamento da fragilidade ambiental na bacia do rio Aldeia Velha, RJ. Floresta e Ambiente, v. 23, n. 2, p. 295–308, 2016. VAŠÁT, R.; KODEŠOVÁ, R.; BORŮVKA, L.; JAKŠÍK, O.; KLEMENT, A.; BRODSKÝ, L. Combining reflectance spectroscopy and the digital elevation model for soil oxidizable carbon estimation. Geoderma, v. 303, n. May, p. 133–142, 2017. VAYSSE, K.; LAGACHERIE, P. Using quantile regression forest to estimate uncertainty of digital soil mapping products. Geoderma, v. 291, p. 55–64, 2017. VERMEULEN, D.; NIEKERK, A. VAN. Machine learning performance for predicting soil salinity using different combinations of geomorphometric covariates. Geoderma, v. 299, p. 1– 12, 2017. VERMOTE, E. F.; HERMAN, M.; MORCRETTE, J. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: An Overview. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, v. 35, n. 3, p. 675–686, 1997. VERONESI, F.; CORSTANJE, R.; MAYR, T. Landscape scale estimation of soil carbon stock using 3D modelling. Science of the Total Environment, v. 487, n. 1, p. 578–586, 2014. WERE, K.; BUI, D. T.; DICK, Ø. B.; SINGH, B. R. 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, 2015. WOOD, S. Generalized Additive Models: An Introduction with R. CRC Texts in Statistical Science, 2006. XIONG, X.; GRUNWALD, S.; MYERS, D. B.; KIM, J.; HARRIS, W. G.; BLIZNYUK, N. Assessing uncertainty in soil organic carbon modeling across a highly heterogeneous landscape. Geoderma, v. 251–252, p. 105–116, 2015. YANG, R. M.; ZHANG, G. L.; LIU, F.; LU, Y. Y.; YANG, F.; YANG, F.; YANG, M.; ZHAO, Y. G.; LI, D. C. Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem. Ecological Indicators, v. 60, p. 870–878, 2016. ZHANG, G. LIN; LIU, F.; SONG, X. DONG. Recent progress and future prospect of digital soil mapping: A review. Journal of Integrative Agriculture, v. 16, n. 12, p. 2871–2885, 2017.por
dc.subject.cnpqAgronomiapor
dc.thumbnail.urlhttps://tede.ufrrj.br/retrieve/69354/2019%20-%20Elias%20Mendes%20Costa.pdf.jpg*
dc.originais.urihttps://tede.ufrrj.br/jspui/handle/jspui/5663
dc.originais.provenanceSubmitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2022-05-16T17:40:48Z No. of bitstreams: 1 2019 - Elias Mendes Costa.pdf: 6036694 bytes, checksum: ea8560dfbde961518ae202f674bc3ee2 (MD5)eng
dc.originais.provenanceMade available in DSpace on 2022-05-16T17:40:48Z (GMT). No. of bitstreams: 1 2019 - Elias Mendes Costa.pdf: 6036694 bytes, checksum: ea8560dfbde961518ae202f674bc3ee2 (MD5) Previous issue date: 2019-02-19eng
Appears in Collections:Doutorado em Agronomia - Ciência do Solo

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
2019 - Elias Mendes Costa.pdf5.9 MBAdobe PDFThumbnail
View/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.