Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/9361
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCampbell, Patrícia Morais da Matta
dc.date.accessioned2023-12-21T18:38:11Z-
dc.date.available2023-12-21T18:38:11Z-
dc.date.issued2017-12-07
dc.identifier.citationCampbell, Patrícia Morais da Matta. Mapeamento digital de solos e predição de atributos utilizando Machine Learning e lógica fuzzy na bacia do Ribeirão Inhaúma, Iconha/ES. 2017. [227 f]. Tese( Programa de Pós-Graduação em Ciências Ambientais e Florestais) - Instituto de Florestas, Universidade Federal Rural do Rio de Janeiro, [Seropédica-RJ] .por
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/9361-
dc.description.abstractObter informações a respeito do solo e seus atributos é essencial para o bom planejamento do uso e ocupação do mesmo. O mapeamento convencional e as análises laboratoriais de rotina são os métodos mais utilizados no Brasil para espacialização do solo e obtenção de informações acerca de seus atributos. No caso do mapeamento de classes de solo esse método é baseado em modelos mentais desenvolvidos pelo pedólogo, o que o torna altamente subjetivo, dependente da experiência do profissional e de difícil repetição, enquanto as análises laboratoriais são dispendiosas e apresentam a possibilidade de geração de impactos ambientais pelo uso de reagentes químicos. Por isso, novas técnicas computacionais tem se apresentado como uma ferramenta para mapeamento de classes e atributos de solos, proporcionando maior rapidez e diminuição do custo em relação aos métodos convencionais. Assim nesse trabalho estudou-se o uso dessas técnicas no Ribeirão Inhaúma, em Iconha/ES. Os capítulos 1 e 2 mostram o uso de diferentes classificadores para mapeamento digital de solos, ao total foram testados 10 modelos, que mostraram-se eficientes, destacando-se a lógica fuzzy, Randon Forest, Ranger, Extreme Gradient Boosting e Weighted Subspace Random Forest, o capítulo 1 ainda comparou esse modelo ao mapeamento convencional, encontrando 24% de concordância entre os mapas. Os capítulos 3 e 4 testaram o uso de diversos modelos para mapeamento de atributos, destacando-se no capitulo 3 o método Randon Forest e no 4 o uso de técnicas espectrais para mapeamento de carbono orgânico, fósforo e argila com boa acurácia. O capítulo 5 analisou o grau de correlação entre informações levantadas pelo sensoriamento remoto através de dados aerogeofísicos e dados obtidos pela análise de fluorescência feita com analisador de raios-X, comparando os valores encontrados com o mapa de uso e ocupação do solo. Foi possível identificar a correlação existente entre o uso e ocupação dos solos com os dados de gamaespectrometria e de temperatura. Em relação aos dados aerogeofísicos de gamaespectrometria foram encontradas altas correlações com altitude e baixa correlação com dados obtidos pela análise de termofluorescência, indicando que dados provenientes da análise de termofluorescência não podem substituir àqueles advindos da gamaespectrometria e vice-versa, para fins de análise de características do terreno. O capítulo 6 propõe um estudo inicial sobre a possibilidade do uso da fluorescência como ferramenta na determinação de óxidos de Fe, Al, Si e Ti, a fim de diminuir o impacto no meio ambiente causado pelos reagentes químicos utilizados no ataque sulfúrico e aumentar a velocidade de análise e preparo da amostra. As análises de fluorescência de raios-X mostraram-se promissoras para determinação dos teores de óxidos de Cambissolos e Latossolos, sendo necessárias análises de uma quantidade maior de amostras utilizando os dois métodos, afim de comprovar a correlação existente entre os teores encontrados.por
dc.description.sponsorshipCoordenação e Aperfeiçoamento de Pessoal de Nível Superior - CAPESpor
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Federal Rural do Rio de Janeiropor
dc.rightsAcesso Abertopor
dc.subjectmapeamento digital de solos,,por
dc.subjecttécnicas espectraispor
dc.subjectfluorescência de raios-Xpor
dc.subjectdigital mapping of soilseng
dc.subjectspectral techniqueseng
dc.subjectX-ray fluorescenceeng
dc.titleMapeamento digital de solos e predição de atributos utilizando Machine Learning e lógica fuzzy na bacia do Ribeirão Inhaúma, Iconha/ESpor
dc.title.alternative...por
dc.typeTesepor
dc.description.abstractOtherObtaining information about the soil and its attributes is essential for proper planning of the use and occupation of it. Conventional mapping and routine laboratory analysis are the most used methods in Brazil for soil spatialization and obtaining information about its attributes. In the case of mapping of soil classes this method is based on mental models developed by the pedologist, which makes it highly subjective, dependent on the professional experience and difficult to replicate, while the laboratory analyzes are expensive and present the possibility of generating impacts through the use of chemical reagents. Therefore, new computational techniques have been presented as a tool for mapping classes and attributes of soils, providing greater speed and decrease of cost in relation to conventional methods. Thus in this work the use of these techniques was studied in Ribeirão Inhaúma, in Iconha / ES. In this study, we used 10 different models for the digital mapping of soils. In this case, 10 models were tested, which were efficient, with emphasis on fuzzy logic, Randon Forest, Ranger, Extreme Gradient Boosting and Weighted Subspace Random Forest , chapter 1 also compared this model to conventional mapping, finding 24% agreement between the maps. Chapters 3 and 4 tested the use of several models for mapping attributes, highlighting in chapter 3 the Randon Forest method and in 4 the use of spectral techniques for mapping organic carbon, phosphorus and clay with good accuracy. Chapter 5 analyzed the degree of correlation between information collected by remote sensing through aerogeophysical data and data obtained by fluorescence analysis using an X-ray analyzer, comparing the values found with the land use and occupation map. It was possible to identify the correlation between the use and occupation of soils with gamma spectrometry and temperature data. High correlation with elevation and low correlation with thermofluorescence data was observed in the aerogeophysical data of gamma spectrometry, indicating that data from the thermofluorescence analysis can not replace those from the gamma spectrometry and vice versa, for the purpose of analyzing characteristics of the land. Chapter 6 proposes an initial study on the possibility of using fluorescence as a tool in the determination of Fe, Al, Si and Ti oxides in order to reduce the impact on the environment caused by the chemical reagents used in the sulfuric attack and to increase the speed analysis and preparation of the sample. X-ray fluorescence analyzes were promising for the determination of the oxides of Cambisols and Oxisols, and a larger number of samples were required using the two methods, in order to prove the correlation between the contents foundeng
dc.contributor.advisor1Francelino, Márcio Rocha
dc.contributor.advisor1ID82520712791por
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1335748426615308por
dc.contributor.referee1Francelino, Márcio Rocha
dc.contributor.referee2Mendonça, Bruna Araújo Furtado de
dc.contributor.referee3Pinheiro, Helena Saraiva Koenow
dc.contributor.referee4Fernandes Filho, Elpídio Inácio
dc.contributor.referee5Carvalho Junior, Waldir de
dc.creator.ID08431239662por
dc.creator.Latteshttp://lattes.cnpq.br/3728972313927971por
dc.publisher.countryBrasilpor
dc.publisher.departmentInstituto de Florestaspor
dc.publisher.initialsUFRRJpor
dc.publisher.programPrograma de Pós-Graduação em Ciências Ambientais e Florestaispor
dc.relation.referencesBRASIL. Decreto nº 6.660, de 21 de novembro de 2008. Regulamenta dispositivos da Lei no 11.428, de 22 de dezembro de 2006, que dispõe sobre a utilização e proteção da vegetação nativa do Bioma Mata Atlântica. Disponível em < https://www.planalto.gov.br/ccivil_03/_ato2007-2010/2008/decreto/d6660.htm> Acesso em: Mar, 2017. BRASIL. Ministério do Meio Ambiente. Panorama sobre desertificação no estado do Espírito Santo. 2005. Disponível em: < http://www.mma.gov.br/estruturas/sedr_desertif/_arquivos/panorama_espiritosanto.pdf> Acesso em: Mar., 2017. 7 BURROUGH, P. A. Fuzzy mathematical methods for soil survey and land evaluation. Journal of Soil Science, v. 40, n.3,p. 477-482, 1989. CATEN, A. T . Mapeamento digital de solos: metodologias para atender a demanda por informação espacial em solos. 106 p . 2011. (Tese de Doutorado). Universidade Federal de Santa Maria. CATEN, A.T.; DALMOLIN, R.S.D; PEDRON, F.A.; SANTOS, M.L.M. Extrapolação das relações solo-paisagem a partir de uma área de referência. Ciência Rural, v.41, n.5,p. 812-816, 2011. CHAGAS,C. DA S. Mapeamento digital de solos por correlação ambiental e redes neurais em uma bacia hidrográfica de domínio de mar de morros. 223 p. 2006 (Tese de Doutorado).Universidade Federal de Viçosa. CPRM- Companhia de Pesquisa de Recursos Minerais/Serviço Geológico do Brasil. Geologia e Recursos Minerais do Estado do Espírito Santo: texto explicativo do mapa geológico e de recursos minerais. Belo Horizonte : CPRM, 2015. FÉBOLI, W. L. Piúma, folha SE.24-Y-C-VI, estado do Espírito Santo: texto explicativo. Brasília: DNPM; CPRM. 140 p., 1993. HUDSON, B.D. Concepts of soil mapping and interpretation. Soil Survey Horizons. v. 31,n.3 p.63-72, 1990. IBGE - EMBRAPA - Mapa de Solos do Brasil. Rio de Janeiro: IBGE, 2001 - Escala 1:5.000.000. IBGE. Instituto Brasileiro de Informações Geográficas. Disponível em <www.cidades.ibge.gov.br>. Acesso em: Mar., 2017. IJSN. Instituto Jones dos Santos Neves. Disponível em <www.ijsn.es.gov.br>. Acesso em: Mar., 2017. IJSN. Instituto Jones dos Santos Neves. Mapeamento Geomorfológico do estado do Espírito Santo. Nota técnica 28. Governo do Espírito Santo: Vitória, ES. 19 p. 2012. INCAPER. Instituo Capixaba de pesquisa, assistência técnica e extensão rural. Programa de assistência técnica e extensão rural 2011-2013. Iconha. 29 p. 2011. INCRA. Instituto nacional de colonização e reforma agrária. 2011. Disponível em <www.incra.gov.br>. Acesso em: Mai, 2017. INMET. Instituto Nacional de Meteorologia. Disponível em <http://www.inmet.gov.br>. Acesso em: Mar., 2017. INSTITUTO CAPIXABA DE PESQUISA E EXTENSÃO RURAL- INCAPER. Município de Iconha. Disponível em < http://incaper.es.gov.br/media/incaper/proater/municipios/Caparao/Iconha.pdf>. Acesso em Nov, 2016. 8 McBRATNEY, A. B.; WEBSTER, R. Spatial dependence and classification of soil alonga transect in northeast Scotland. Geoderma, v. 26,n.1, p. 63-82, 1981. MENDONÇA-SANTOS, M. L.; SANTOS, H. G. dos. Mapeamento digital de solos e atributos de solos: métodos, paradigmas e novas técnicas. Rio de Janeiro: Embrapa Solos, 2003. NEUMANN, M. R. B.. Mapeamento digital de solos, no Distrito Federal. 123 p. 2012. (Tese de Doutorado). Universidade de Brasília. Brasília. PINHEIRO, H.S.K.; CHAGAS, C.S.; CARVALHO JÚNIOR, W. ANJOS, L.H.C. Modelos de elevação para obtenção de atributos topográficos utilizados em mapeamento digital de solos. Pesquisa Agropecuária Brasileira. v.47, n.9, p.1384-1394, 2012. SANCHEZ, P.A.; AHAMED, S.; CARRÉ, F.; HARTEMINK, A.E.;HEMPEL, J.; HUISING, J.; LAGACHERIE, P.; MCBRATNEY,A.B.; MCKENZIE, N.J.; MENDONCA‑SANTOS, M. de L.;MINASNY, B.; MONTANARELLA, L.; OKOTH, P.; PALM, C.A.;SACHS, J.D.; SHEPHERD, K.D.; VÅGEN, T.‑G.; VANLAUWE, B.; WALSH, M.G.; WINOWIECKI, L.A.; ZHANG, G.‑L. Digital soil map of the world. Science, v.325,n 5941, p.680‑681, 2009. SANTOS, H. G. dos. Importância e evolução dos levantamentos de solo no Brasil. Boletim Informativo da Sociedade Brasileira de Ciência do Solo. Viçosa, MG, v. 32, n. 1 - Jan/Abr, 2007. SILVA, Cristiano Cassiano. Mapeamento digital de classes de solo: aplicação de metodologia na folha Botucatu (SF-22-Z-B-IV-3) e validação de campo. 117 p. 2012. (Dissertação de Mestrado). Instituto Agronômico de Campinas. ZHU, Q.; LIN, H. S. Comparing ordinary kriging and regression kriging for soil properties in contrasting landscapes. Pedosphere, v. 20, n. 5, p. 594-606, 2010. AKUMU, C. E. ; WOODS M.; JOHNSON J.A. ; PITT D.G.; UHLIG P. ; McMURRAY S. GIS-fuzzy logic technique in modeling soil depth classes: Using parts of the Clay Belt and Hornepayne region in Ontario, Canada as a case study. Geoderma, [s.l.], v. 283, p.78 87, dez. 2016. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2016.07.028. AKUMU, C; JOHNSON J.A.; ETHERIDGE D; UHLIG P. ; WOODS M; PITT D.G.; MCMURRAY S. GIS-fuzzy logic based approach in modeling soil texture: Using parts of the Clay Belt and Hornepayne region in Ontario Canada as a case study. Geoderma, [s.l.], v. 239-240, p.13-24, fev. 2015. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2014.09.021. ALVES SOBRINHO, T.; PERTUSSATTI, C. A.; REBUCCI, L.C. S.; OLIVEIRA, P. T. S. Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais. Revista Ambiente e Água, Taubaté, v. 6, n. 2, p.246-254, 2011. ANDRADE, F.; SANTOS, J.; CARNEIRO,L.; PAULO, R. Notas de aula. Disponível em:<http://paginas.fe.up.pt/~eol/IA/IA0708/APONTAMENTOS/IAlogica_conjuntos_difusos.pdf > . Acesso em : Ago, 2014. ARRUDA, G. O; DEMATTÊ, J. A. M. CHAGAS, C. S. Mapeamento digital de solos por redes neurais artificiais com base na relação solo-paisagem. Revista Brasileira Ciência do Solo, v. 37, n.2, p.327-338, 2013. ASHTEKAR, J.M.; OWENS, P.R. Remembering Knowledge: Na expert knowledge based approach to digital soil mapping. Soil Horizons. v. 54, n 5, p. 1-6, 2013. BARIN, A.; CANHA, L.N. MAGNAGO, K.F.; ABAIDE, A.R. Seleção de fontes alternativas de geração distribuída utilizando uma análise multicriterial baseada no método ahp e na lógica fuzzy. Revista Controle & Automação. v.21 n.5, p.477-486, 2010. BARRETO-NETO, A. A.; SOUZA FILHO, C. R. de. Application Of Fuzzy Logic To The Evaluation Of Runoff In A Tropical Watershed. Environmental Modeling & Software, v23, n1, p.244-253. 2008. BECKETT, P. H. T.; WEBSTER, R. Soil variability: a review. Soils and Fertilizers, Wallingford, v. 34, p. 1-15, 1971. 34 BEHRENS T.; Zhu A-X; Schmidt K; Scholten T. Multi-scale digital terrain analysis and feature selection for digital soil mapping. Geoderma, [s.l.], v. 155, n. 3-4, p.175-185, mar. 2010. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2009.07.010. BENINI, L.C. Modelagem neuro-fuzzy para precisão da densidade do solo. Anais do XXXIV Congresso Nacional de Matematica aplicada e computacional. p.856-857. 17 a 21 de Set, 2012. BONISCH, S.; LOPES ASSAD, M.L.; CÂMARA, G.; MONTEIRO, A.M.V. Representação e propagação de incertezas em dados solos. Revista Brasileira de Ciência do Solo. v.28, n.1, p.21-32, 2004. BUI, Le Vinh; STAHR, Karl; CLEMENS, Gerhard. A fuzzy logic slope-form system for predictive soil mapping of a landscape-scale area with strong relief conditions. Catena, [s.l.], v. 155, p.135-146, ago. 2017. Elsevier BV. http://dx.doi.org/10.1016/j.catena.2017.03.001. BURROUGH, P. A. Fuzzy mathematical methods for soil survey and land evaluation. Journal of Soil Science, Oxford, v. 40, p. 477-482, 1989. CARVALHO JÚNIOR, W. de; CHAGAS, C. da S.; FERNANDES FILHO, E.I.; VIEIRA, C.A.O.; SCHAEFER, C.E.G.; BHERING, S.B.; FRANCELINO, M.R. Digital soilscape mapping of tropical hillslope areas by neural networks. Scientia Agricola, v.68, n.6, p.691‑696, 2011. CARVALHO, A. de P.; MORAES NETO, J. M. de; LIMA, V. L. A. de; & SILVA, D. G.K. C. Estudo da degradação ambiental do açude Bodocongó. Engenharia Ambiental - Espírito Santo do Pinhal, v.6,n.2, p. 293-305, 2009. COELHO, FF; GIASSON, E. Comparação de métodos para mapeamento digital de solos com utilização de sistema de informação geográfica. Ciência Rural, [s.l.], v. 40, n. 10, p.2099-2106, out. 2010. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0103-84782010005000156. CONGALTON, R.G.; GREEN, K. Assessing the accuracy of remotely sensed data:Principles and practices. International Journal of Applied Earth Observation and Geoinformation, v.11, n.2,p.448-449,1999. CONGALTON, R.; A. REKAS. COMPAR: A computerized technique for the indepth comparison of remotely sensed data. Proceedings of the Fifty First Annual Meeting of the American Society of Photogrammetry, Washington, DC. 1985. p. 98-106. COSTA, A. M.; CURI, N.; MENEZES, M. D.; ARAÚJO, E. F.; MARQUES, J. J. Levantamento detalhado de solos da microbacia hidrográfica do Horto Florestal Terra Dura (RS) e considerações sobre escala de mapeamento. Ciência e Agrotecnologia, Lavras, v. 33, n. 5, p. 1272-1279, set./out., 2009. 35 DIAS, LM da S. Predição de classes de solo por atributos do meio físico e de sensoriamento remoto em área da bacia sedimentar do São Francisco. [Dissertação]. Campinas, São Paulo. 127 p. 2015. ELNAGGAR, A. A. Development of Predictive Mapping Techniques foi Soil Survey and Salinity Mapping. 148 p. 2007. Thesis (PhD) – Oregon State University. EMBRAPA. EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA -Centro Nacional de Pesquisa de Solos. Sistema brasileiro de classificação de solos. 2.ed. Rio de Janeiro, Embrapa Solos, 2006.316p. FIGUEIREDO, S.R.; GIASSON, E. TORNQUIST, C.G.; NASCIMENTO,P.C. Uso de regressões logísticas múltiplas para mapeamento digital de solos no planalto médio do RS. Revista Brasileira de Ciência do Solo. v. 32, n.Spe,p2779-2785, 2008. FUJIMOTO, R.Y. Diagnóstico automático dde defeitos em rolamentos baseado em Lógica Fuzzy. 158 p. 2005. (Dissertação de Mestrado ). Escola Politécnica, Universidade de São Paulo. HEUVELINK, G.B.M; WEBSTER, R. Modelling soil variation: past, present, and future. Geoderma, [s.l.], v. 100, n. 3-4, p.269-301, maio 2001. Elsevier BV. http://dx.doi.org/10.1016/s0016-7061(01)00025-8. HODZA, Paddington. Fuzzy logic and differences between interpretive soil maps. Geoderma, [s.l.], v. 156, n. 3-4, p.189-199, maio 2010. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2010.02.016. HUDSON, B.D. The soil survey as paradigm-based science. Soil Sci. Soc. Am. J., v. 56, p.836–841. 1992. IPPOLITI, G. A. R.; COSTA, L. M. da; SCHAEFER, C. E. G. R., FERNANDES FILHO, E. I. ; GAGGERO, M. R. Análise digital do terreno: ferramenta na identificação de pedoformas em microbacia na região de "mar de morros" (MG). Revista Brasileira de Ciência do Solo, vol. 29, núm. 2, pp. 269-276, 2005. IPPOLITI-RAMIRO, G. A.; COSTA, L. M.; SCHAEFER, C. E. G. R.; FERNANDES FILHO, E. I.; GAGGERO, M. R. Análise digital do terreno: ferramenta na identificação de pedoformas em microbacia na região de "Mar de Morros" (MG) Revista Brasileira de Ciência do Solo, Viçosa, v.29, n.2, p. 269-276, 2005. JENNY, H. Factors of soil formation: a system of quantitative pedology. New York, London: McGraw-Hill, 1941, 324 p. LAGACHERIE, P. 2008. Digital Soil Mapping: A State of the Art. In: HARTEMINK, A. E.; McBRATNEY, A.B., MENDONÇA-SANTOS M. L. (Eds) Digital Soil Mapping with Limited Data. Springer, p. 3-14. 36 LANDIS, J. R. & KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, v.33, n.1, p.159-174, 1977. LIAO, W.H. Region Description Using Extended local Ternary Patterns. International Conference on Pattern Recognition. p. 1003-1006, 2010. LOBÃO, J. S. B.; ROCHA, W. de J. S. da F; SILVA, A. de B. Utilização De Lógica Fuzzy Na Modelagem De Vulnerabilidade À Erosão No Município de Morro Chapéu –BA. In: III SIMPÓSIO REGIONAL DE GEOPROCESSAMENTO E SENSORIAMENTO REMOTO, Anais, Aracaju –SE. 2006. MacMILLAN, R. A. Experiences with Applied DSM: Protocol, Availability, Quality and Capacity Building. In.: HARTEMINK, A.E.; McBRATNEY, A.; MENDONÇA-SANTOS,M. DE L. (Ed.), Digital Soil Mapping with Limited Data. New York: Springer. Ed 1, cap. 10. p.113-135, 2008. MCBRATNEY, A. B. & LAGACHERIE P.; VOLTZ, M. Digital Soil Maping, An Introductory Perspective. Developments in Soil Sciense. Volume 31. Amsterdam: Elsevier, 2007. 600p. MCBRATNEY, A. B.; MENDONÇA-SANTOS, M. L.; MINASNY, B.. On digital soil mapping. Geoderma 117: 3-52. 2003 McBRATNEY, A. B.; WEBSTER, R. Spatial dependence and classification of soil along a transect in northeast Scotland. Geoderma, Amsterdam, v. 26, p. 63-82, 1981. McBRATNEY,A.; MENDONÇA-SANTOS, M.L. (Ed.). Digital Soil Mapping With limited Data. Springer, p. 233-245, 2008. MEDEIROS, S.; MELLO, R.; CAMPOS FILHO, P. Análise de projetos para unidades de conservação usando lógica fuzzy. Produção. v.17, n.2, p.317-329, 2007. MENDONÇA-SANTOS, M de L. Mapeamento digital de classes e atributos de solos: métodos, paradigmas e novas técnicas.sey Rio de Janeiro: Embrapa Solos, (Embrapa Solos. Documentos; n. 55), 2003. 19p. MENEZES, M. D.; SILVA, S. H. G.; OWENS, P. R.; CURI, N. Digital soil mapping approach based on fuzzy logic and field expert knowledge.Ciência e Agrotecnologia. 2013, vol.37, n.4, pp. 287-298. MONSERUD, R. A. & LEEMANS, R. Comparing global vegetation maps with the Kappa statistic. Ecological Modelling, v.62,n.4, p.275-293, 1992. MOORE, I. D.; GESSLER, P. E.; NIELSEN, G. A.; PETERSON G. A. Soil attribute prediction using terrain analysis. Soil Science Society American Journal, Madison, v. 57, p. 443 - 452, 1993. 37 MORAES, C.M.M. Fuzzycom- Componente de lógica fuzzy. Puc-Departamento de Engenharia Elétrica, p.1-15. Disponível em: < http://www.pucrio.br/pibic/relatorio_resumo2007/relatorios/ele/ele_claudio_magno_martins_moraes.pdf>. Acesso em: Ago, 2014. NEUMANN, Marina Rolim Bilich. Mapeamento digital de solos, no Distrito Federal. 2012. 123 f. Tese (Doutorado em Geociências aplicadas). Instituto de Geociências. Universidade de Brasília. Brasília, DF. 2012. PELEGRINO, MHP; SILVA, SHG; MENEZES MD de; SILVA E da; OWENS PR; CURI N. Mapping soils in two watersheds using legacy data and extrapolation for similar surrounding areas. Ciência e Agrotecnologia, [s.l.], v. 40, n. 5, p.534-546, out. 2016. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/1413-70542016405011416. PROJETO RADAMBRASIL. Folha SH 22, SH 21 e Sl 22. Rio de Janeiro, IBGE. Levantamento dos Recursos Naturais,Série III, n°33. p.303-404, 1986. QI, F.; ZHU, A.X. Knowledge Discovery from soil maps using inductive learning. International Journal of Geographical Information Science. v. 17, n 8, p. 771-795, 2003. ROVEDA, R.G.A.; COSTA, L.M.; SHAEFER,C.E.G.R.; FERNANDES FILHO, E.J.; GAGGERO, M.R. Análise digital do terreno ferramenta na identificação de pedoformas em microbacia na região de mar de morros (MG). Revista Brasileira de Ciência do Solo. v.29,n.1.p.269-276, 2005. SALIBY, E. Descriptive Sampling: An Improvement Over Latin Hypercube Sampling. In: Winter Simulation Conference, v. 1, n 1, p. 1-6, 1997. SANCHEZ, P.A.; AHAMED, S.; CARRÉ, F.; HARTEMINK, A.E.;HEMPEL, J.; HUISING, J.; LAGACHERIE, P.; MCBRATNEY,A.B.; MCKENZIE, N.J.; MENDONC‑SANTOS, M. de L.;MINASNY, B.; MONTANARELLA, L.; OKOTH, P.; PALM, C.A.;SACHS, J.D.; SHEPHERD, K.D.; VÅGEN, T.‑G.; VANLAUWE, B.; WALSH, M.G.; WINOWIECKI, L.A.; ZHANG, G.‑L. Digital soil map of the world. Science, v.325, n 5941, p.680‑681, 2009. SANDRI, S.; CORREA, C. Lógica Nebulosa. São José dos Campos: ITA, 1999. Disponível em: <http://www.ele.ita.br/cnrn/minicursos-5ern/log-neb.pdf>. Acesso em: 22 jul.2014 SANTOS, R.D.; LEMOS, R.C.; SANTOS, H.G.; KER, J.C. & ANJOS, L.H.C. Manual de descrição e coleta de solo no campo. 5.ed. Viçosa, MG, Sociedade Brasileira de Ciência do Solo/Rio de Janeiro, Embrapa, 2005. 100p. SARMENTO, E. C. Comparação entre quatro algoritmos de aprendizagem de máquina no mapeamento digital de solos no Vale dos Vinhedos, RS, Brasil. 109 p. 2010. (Tese de Doutorado). Universidade Federal do Rio Grande do Sul. 38 SCHULER, U., HERRMANN, L., INGWERSEN, J., ERBE, P., STAHR, K. Comparing mapping approaches at subcatchment scale in northern Thailand with emphasis on the Maximum Likelihood approach. Catena 81, 137–171.2010. SEYFRIED, M. Spatial variability constraints to modeling soil water at different scales. Geoderma, [s.l.], v. 85, n. 2-3, p.231-254, ago. 1998. Elsevier BV. http://dx.doi.org/10.1016/s0016-7061(98)00022-6. SHI, A.X; LONG, R,; DEKETT, R.; PHILIPPE, J. Integrating different types of knowledge for digital soil mapping. Soil Science Society of America Journal. v. 73, n 5, p. 1682-1692, 2009. SHI, X. ArcSIE User’s Guide. Spatial Inference Enterprises-SIE LLC. 29 Heidi Ln Bow, NH 03304, USA. 120 p. 2013. Disponível em :< http://www.arcsie.com/Download/ArcSIE_UsersGuide_130319.pdf> , Acesso em Out 2017. SHI, X; Long R., Dekett R.; Philippe J. Integrating Different Types of Knowledge for Digital Soil Mapping. Soil Science Society Of America Journal, [s.l.], v. 73, n. 5, p.1682 1692, 2009. Soil Science Society of America. http://dx.doi.org/10.2136/sssaj2007.0158. SILVA, Cristiano Cassiano. Mapeamento digital de classes de solo: aplicação de metodologia na folha Botucatu (SF-22-Z-B-IV-3) e validação de campo. 117 p. 2012. (Dissertação de Mestrado). Instituto Agronômico de Campinas. SILVA, S. H. G. Cambisol (Inceptisol) Solum thickness digital mapping based on expert knowledge with limited data from a watershed in Minas Gerais, Brazil. 41 p. Monografia – Universidade Federal de Lavras, Lavras, 2013. SILVA, SHG, MENEZES, MD de; OWENS, PR; CURI, N. Retrieving pedologist's mental model from existing soil map and comparing data mining tools for refining a larger area map under similar environmental conditions in Southeastern Brazil. Geoderma, [s.l.], v. 267, p.65-77, abr. 2016. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2015.12.025. SILVA, SHG; MENEZES MD de; OWENS PR; CURI N. Retrieving pedologist's mental model from existing soil map and comparing data mining tools for refining a larger area map under similar environmental conditions in Southeastern Brazil. Geoderma, [s.l.], v. 267, p.65-77, abr. 2016. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2015.12.025. SILVA,S.A.; LIMA,J.S. de; SOUZA, G.S.; XAVIER, A.C. Distribuição e incerteza da acidez de um Latossolo vermelho-amarelo húmico sob o cultivo do café. Revista Brasileira de Ciência do Solo. v. 33; n.1; p.1053-1060, 2009. STOLLE,L; LINGNAU,C.; ARCE, J.E.; BOGNOLA, I.A. Aplicação de um sistema baseado em conhecimento e lógica fuzzy para o mapeamento da fragilidade ambiental em 39 relação às atividades florestais. Anais do XIV Simpósio Brasileiro de Sensoriamento Remoto.p. 3103-3110. 25 a 30 de Abr, 2009. SUAREZ,A.F. E CANDEIAS, A.L.B. Avaliação da acurácia da classificação de dados de sensoriamento remoto para o município de Maragocipe. IV Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação. Recife/PE.p 1-10. 2012. TANSCHEIT, R. Sistemas fuzzy. PUC-Rio, Rio de Janeiro, 2014. Disponível em < http://www2.ica.ele.puc-rio.br/Downloads/41/LN-Sistemas%20Fuzzy.pdf> Acesso em 21 jul, 2014. TESKE, R. Teste metodológicos para o mapeamento digital de classes de solo utilizando árvores de decisão.[Tese]. Universidade Federal do Rio Grande do Sul, Porto Alegre, RS. 2014. ZADEH, L.a.. Fuzzy sets. Information And Control, [s.l.], v. 8, n. 3, p.338-353, jun. 1965. Elsevier BV. http://dx.doi.org/10.1016/s0019-9958(65)90241-x. ZHU, Q.; LIN, H. S. Comparing ordinary kriging and regression kriging for soil properties in contrasting landscapes. Pedosphere, v. 20, n. 5, p. 594-606, 2010. ZHU, A.X., YANG, L., LI, B., QIN, C.Z., PEI, T., LIU, B. Construction of membership functions for predictive soil mapping under fuzzy logic. Geoderma 155, 164–174.2010. ZHU, A.X.; YANG, L.; LI,B.; QIN, C. ENGLISH, E.; BURT, J.; ZHOU, C. Purposive Sampling for digital soil mapping for areas with limited data. In: HARTEMINK, A.E.; McBRATNEY, A.B. & MENDONÇA SANTOS, M.L., eds. Digital soil mapping with limited data. New York, Springer-Verlag, 2008. p.233-245. ZHU, A.X; YANG L; LI B; QIN C; PEI T; LIU B. Construction of membership functions for predictive soil mapping under fuzzy logic. Geoderma, [s.l.], v. 155, n. 3-4, p.164-174, mar. 2010. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2009.05.024. ZHU, A-X A similarity model for representing soil spatial information. Geoderma, [s.l.], v. 77, n. 2-4, p.217-242, jun. 1997. Elsevier BV. http://dx.doi.org/10.1016/s0016 7061(97)00023-2. ZHU, A-X; FENG Q; MOORE A; BURT J E. Prediction of soil properties using fuzzy membership values. Geoderma, [s.l.], v. 158, n. 3-4, p.199-206, set. 2010. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2010.05.001. ZHU,A.X.; BAND, L.; VERTESSY, R.; DUTTON, B. Derivation of soil properties using a soil land inference model (SoLIM). Soil Science Society of American Journal. v. 61, n 2, p. 523-533, 1997. ABREU, VS. Uso de georadar e mapeamento digital de solos no estudo de mussunungas em área do Grupo Barreiras.[Dissertação].Universidade Federal de Viçosa-UFV, Viçosa, 166 p. Fev de 2017. BALLANTINE, J.A.C., OKIN, G.S., PRENTISS, D.E., ROBERTS, D.A. Mapping North African landforms using continental scale unmixing of MODIS imagery. Remote Sens.Environ. 97 (4), 470–483.2005. BECEGATO, V. A.; FERREIRA, F. J. F. Gamaespectrometria, resistividade elétrica e suscetibilidade magnética de solos agrícolas no noroeste do Estado do Paraná. Revista Brasileira de Geofísica, 23:371-405, 2005. BEHRENS T.; Zhu A-X; Schmidt K; Scholten T. Multi-scale digital terrain analysis and feature selection for digital soil mapping. Geoderma, [s.l.], v. 155, n. 3-4, p.175-185, mar. 2010. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2009.07.010. BEHRENS T; SCHOLTEN T. A comparison of data-mining techniques in predictive soil mapping. In: LAGACHERIE, P; MCBRATNEY, A.B.; VOLTZ, M (Eds), Digital Soil Mapping, an introductory perspective. Developments in soil science, vol. 31. Amsterdam: Elsevier, 2007 p. 353-364. BREIMAN, L. (1996): "Bagging predictors". Machine Learning, Vol 24, 2, pp.123–140. BREIMAN, L. (1998): “Arcing classifiers”. The Annals of Statistics, 26(3), 801–849. BREIMAN, L. (2001). Random forests. Machine learning 45:5-32. BRUNGARD COLBY W; BOETTINGER JANIS L. ; DUNIWAY MICHAEL C.; WILLS SKYE A. ; EDWARDS JR. THOMAS C. Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma, [s.l.], v. 239-240, p.68-83, fev. 2015. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2014.09.019. CAMERA C, ZOMENI Z, NOLLER JS, ZISSIMOS AM, CHRISTOFOROU IC, BRUGGEMAN A. A high resolution map of soil types and physical properties for Cyprus: A digital soil mapping optimization. Geoderma, [s.l.], v. 285, p.35-49, jan. 2017. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2016.09.019. 75 CARVALHO JUNIOR, W. de; CHAGAS, C. da S, FERNANDES FILHO, E.I; VIEIRA, C. A; SCHAEFER, C. E. G. R; BHERING, S. B; FRANCELINO, M. R. Digital soilscape mapping of tropical hillslope areas by neural networks. Scientia Agricola, v.68, n.6, p.691-696, 2011. CHAGAS C DA S; CARVALHO JUNIOR W DE; BHERING SB. Integração de dados do Quickbird e atributos do terreno no mapeamento digital de solos por redes neurais artificiais. R. Bras. Ci. Solo, 35:693-704, 2011. CHAGAS, C. S; FERNANDES FILHO, E. I.; VIEIRA, C. A. O.; SCHAEFER, C. E. G. R.; CARVALHO JÚNIOR, W. Atributos topográficos e dados do Landsat7 no mapeamento digital de solos com redes neurais. Pesquisa Agropecuária Brasileira, 45:497-507, 2010. CHAGAS, César da Silva; CARVALHO JÚNIOR, Waldir de; BHERING, Silvio Barge. Integração de dados do quickbird e atributos do terreno no mapeamento digital de solos por redes neurais artificiais. Revista Brasileira de Ciência do Solo, [s.l.], v. 35, n. 3, p.693-704, jun. 2011. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0100-06832011000300004. CHAGAS, CESAR DA SILVA; FERNANDES FILHO, ELPÍDIO INÁCIO; BHERING, SILVIO BARGE. Relação entre atributos do terreno, material de origem e solos em uma área no noroeste do estado do Rio de Janeiro. Sociedade & Natureza, [s.l.], v. 25, n. 1, p.147-162, abr. 2013. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s1982-45132013000100012. CHEN, T. AND GUESTRIN, C. (2016). XGBoost: A scalable tree boosting system. CoRR, abs/1603.02754. arXiv:1603.02754v3 [cs.LG]. 10 Jun 2016. CHEN, T.; HE, T. Xgboost: eXtreme Gradient Boosting.R package version 0.4-4. 2017. CONGALTON, R.; A. REKAS. COMPAR: A computerized technique for the in depth comparison of remotely sensed data. Proceedings of the Fifty First Annual Meeting of the American Society of Photogrammetry, Washington, DC. 1985. p. 98-106. CONGALTON, R.G. & MEAD R.A. A quantitative method to test for consistency and correctness in photointerpretation. Photogrammetric Engineering and Remote Sensing, v.49, n.1, p.69-74, 1983. CONGALTON, R.G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New York: Lewis Publishers, 2009. CONGALTON, RG. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, v.37, p.35-46, 1991. COSTA, M DA GA. Gamaespectrometria e magnetometria em mapeamento de solos no domínio de rochas pelíticas do Grupo Bambuí, MG. [Dissertação]. 83 p. UFV-Universidade Federal de Viçosa. Viçosa-MG. 2013. CPRM – Serviço Geológico do Brasil. Projeto aerogeofísico Espírito Santo. Relatório final do levantamento e processamento dos dados magnetométricos e gamaespectrométricos. Ministério de Minas e Energia. Prospectors Aerolevantamentos e sistemas LTDA. v. 1. 206p. 2010. 76 DIAS LM da S. predição de classes de solo por atributos do meio físico e de sensoriamento remoto em área da bacia sedimentar do São Francisco. [Dissertação]. Instituto Agonômico de Campinas. Campinas/SP. 127 p. 2015. DICKSON, B. L.; SCOTT, K. M. Interpretation of aerial gamma-ray surveys – adding the geochemical factors. AGSO Journal of Australian Geology & Geophysics, 17:187-200, 1997. DISTRIBUTED (DEEP) MACHINE LEARNING COMMUNITY (2017). Scalable, portable and distributed gradient boosting library, Disponível em : <https://github.com/dmlc/xgboost>. Acesso em Maio, 2017. EMBRAPA – CENTRO NACIONAL DE PESQUISA DE SOLO. Manual de Métodos de Análise de Solo. 2ed. Rio de Janeiro, RJ: EMBRAPA Solos, 230p. - Documentos/Embrapa Solos, ISSN 1517-2627:132, 2011. EMBRAPA EMBRAPA-Centro Nacional de Pesquisa de Solos. Sistema Brasileiro de classificação de solos. Rio de Janeiro: EMBRAPA_SPI . 2ed. 306 p. 2006. ESCABIAS, C.B. : Tree Boosting Data Competitions with XGBoost. (Dissertação de mestrado).Universitat Politècnica de Catalunya - Universitat de Barcelona. Deptartament d’Estadística I Investigació Operativa. 52 p. 2017. FARIA, M.M.; FERNANDES FILHO, E.I. Avaliação dos algoritmos SVM e Maxver para a classificação de sistemas florestais monodominantes de candeia (Eremanthus sp.). In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 16, 2013, Foz do Iguaçu. Anais...São José dos Campos:INPE, 2013. Artigos, p.3222-3229. CD-ROM, On-line. ISBN: 978-85-17-00066-9. Disponível em:< http://www.dsr.inpe.br/sbsr2013/files/p0882.pdf>. Acesso em Maio, 2017. FERNANDES, E. R. Q.; CARVALHO, A. P. L. de ;COELHO, A. L. V. Ensembles de Classificadores para Bases de Dados Desbalanceadas: Uma Abordagem baseada em Amostragem Evolucionária. Symposium on Knowledge Discovery, Mining and Learning, 2th, 2014, São Carlos. Universidade de São Paulo. Biblioteca Digital da Produção Intelectual – BDPI. Departamento de Ciências de Computação - ICMC/SCC. FOODY, G. M.; MATHUR, A. A Relative Evaluation of Multiclass Imagem Classification by Support Vector Machines. IEEE Transactions on Geoscience and Remote Sensing, v.42, n.6, 2004. FOODY, G.M. Thematic map comparison: evaluating the statistical significance of differences in classification accuracy. Photogrammetric Engineering & Remote Sensing, v.70, n.5, p.627-633, 2004. FREUND, Y. and Schapire, R.E. “Experiments with a new boosting algorithm”. In Proceedings of the Thirteenth International Conference on Machine Learning, 148–156, Morgan Kaufmann. 1996. FREUND, Y.; SCHAPIRE, R. E. A decision-theoretic generalization of on-linelearning and an application to boosting. Journal of Computer and System Sciences, New York, v. 55, n. 1, p. 119-139, Aug. 1997. FRIEDMAN J, HASTIE T, TIBSHIRANI R. (2000). \Additive logistic regression: a statistical view of boosting (with discussion and a rejoinder by the authors)." The annals of statistics, 28(2) 337-407. 77 FRIEDMAN JH (2001). \Greedy function approximation: a gradient boosting machine." Annals of Statistics, pp. 1189-1232. GIASSON, E.; CLARKE, R. T.; INDA JUNIOR, A. V.; MERTEN, G. H.; TORNQUIST, C.G. Digital soil mapping using multiple logistic regression on terrain parameters in southern Brazil. Scientia Agricola, v.63, n.3, p.262-268, 2006. GRIMM, R., BEHRENS, T.,MÄRKER, M., ELSENBEER, H., 2008. Soil organic carbon concentrations and stocks on Barro Colorado Island — digital soil mapping using Random Forests analysis. Geoderma 146, 102–113. http://dx.doi.org/10.1016/j.geoderma.2008.05.008. GRUNWALD S, RAMASUNDARAM V., COMERFORD N.B., BLISS C.M. Are Current Scientific Visualization and Virtual Reality Techniques Capable to Represent Real Soil-Landscapes? Cap 43. In: P. Lagacherie, A.B. McBratney and M. Voltz (eds.). Digital Soil Mapping - An Introductory Perspective. Elsevier Publisher - Developments in Soil Science Series. 2006. HANSEN, M.K.; BROWN, D.J.; DENNISON, P.E. Inductively mapping expert-derived soil-landscape units within dambo wetland catenae using multispectral and topographic data. Geoderma, v.150, p.72-84, 2009. HOTHORN T., HORNIK K. AND ZEILEIS A. Unbiased Recursive Partitioning: A Conditional Inference Framework. Journal of Computational and Graphical Statistics 15(3), 651-674. 2006. HUANG, C.; DAVIS, L. S.; TOWNSHEND, J. R. G. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, v. 23, n. 4, p. 725-749, 2002. HUDSON BD. The soil survey as paradigm-based science. Soil Sci. Soc. Am. J., v. 56, p.836–841. 1992. IBM- International Business Machines. Nó C5. IBM Knowledge Center. Disponível em: < https://www.ibm.com/support/knowledgecenter/pt-br/SS3RA7_17.1.0/modeler_mainhelp_client_ddita/clementine/c50node_general.html> Acesso em Maio, 2017. JENNY, H. Factors of Soil Formation. New York, McGraw-Hill. 281. 1941. KUHN, M.; JOHNSON, K. Applied Predictive Modeling. Springer, New York, 2013. LAGACHERIE, P.; MCBRATNEY, A. B. Spatial soil information systems and spatial soil inference systems: perspectives for digital soil mapping. In: LAGACHERIE, P. et al. Digital soil mapping: an introductory perspective. Amsterdam: Elsevier, 2007, Cap. 1, p. 3-22. LIMA LA DE S; NEUMANN MRB;REATTO A; ROIG HL. Mapeamento de Solos: do tradicional ao digital. Série Documentos:316. Planaltina, DF: Embrapa Cerrados, 2013. LOPES, K.M. de O. Modelos baseados em data mining para classificação multitemporal de culturas no Mato Grosso utilizando dados de NDVI/MODIS. Dissertação (mestrado). Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica. 2013. 78 LORENA, A.C. ; CARVALHO, A. C. P. L. F. de . Uma Introdução às Support Vector Machines RITA, v. XIV , n. 2 .2007. MATTERA, D., PALMIERI, F., AND HAYKIN, S. (1999). An explicit algorithm for training support vector machines. IEEE Signal Processing Letters, 6(9):243–245. McBRATNEY, A. B. & LAGACHERIE P.; Voltz, M. Digital Soil Maping, Na Introductory Perspective. Developments in Soil Sciense. Volume 31. Amsterdam: Elsevier, 2007. 600p. McBRATNEY, A. B. A thoeretical framework for land evaluation. Geoderma, Amsterdam, v. 72, p. 198-199, 1996. McKENSIE, N.J., GESSLER, P.E., RYAN, P.J. AND O’CONNELL, D. The role of terrain analysis in soil mapping. In Wilson, J. and Gallant, J.,editors, Terrain analysis: principles and applications. New York City, NY: John Wiley and Sons, 65-245. 2000. MELGANI, F.; BRUZZONE, L. Classification of Hyperspectral Remote Sensing Images with Support Vector Machines. IEEE Transactions on Geoscience and Remote Sensing, vol. 42, No. 8, August 2004. MENG, Q , ZHAO, HE, WILLIAMS, G.J., LV, J. , XU, B. XU , HUANG, J.Z.. Disponível em <https://cran.r-project.org/web/packages/wsrf/wsrf.pdf>. Acesso em Maio, 2017. NASCIMENTO, R.F.F.; ALCÂNTARA, E.H. de; KAMPEL, M.; STECH, J.L.; MORAES, E.M.L.de; FONSECA, L.M.G. O algoritmo Support Vector Machines (SVM): avaliação da separação ótima de classes em imagens CCD-CBERS-2 In: Simpósio brasileiro de Sensoriamento Remoto (SBSR), 14, 2009, Natal. Anais...São José dos Campos: INPE, 2009. Artigos, p. 2079-2086. CD-ROM, On-line. ISBN: 978-85-17-00044-7. Disponível em: < http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2008/10.20.10.59/doc/2079-2086.pdf> Acesso em Maio, 2017. OLIVEIRA, L.M. de. Classificação de dados sensoriais de cafés especiais com resposta multiclasse via Algoritmo Boosting e Bagging (Dissertação de mestrado) – Lavras : UFLA, 2016. 85 p.Universidade Federal de Lavras, 2016. OSHIRO, T.M. Uma abordagem para construção de uma árvore a partir de uma random Forest para classificação de bases de expressão gênica. (Dissertação de mestrado). USP-Universidade de São Paulo. Ribeirão Preto, 2013. 101 p. PACKAGE ADABAG. 2015. Applies Multiclass AdaBoost.M1, SAMME and Bagging. PACKAGE C50. C5.0 Decision Trees and Rule-Based Models . 2015. Max Kuhn, Steve Weston, Nathan Coulter, Mark Culp. PACKAGE PARTY. A Laboratory for Recursive Partytioning. 2017. PACKAGE WSRF. 2017. Wsrf: um pacote R para subescala ponderada escalável florestas aleatórias. Disponível em< https://cran.r-project.org/web/packages/wsrf/README.html>. Acesso em Maio, 2017. PAHLAVAN-RAD MOHAMMAD REZA; KHORMALI FARHAD ; TOOMANIAN NORAIR ; BRUNGARD COLBY W. ; KIANI FARSHAD ; KOMAKI CHOOGHI BAYRAM ; BOGAERT PATRICK. Legacy soil maps as a covariate in digital soil 79 mapping: A case study from Northern Iran. Geoderma, [s.l.], v. 279, p.141-148, out. 2016. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2016.05.014. PAL, M.; MATHER, P.M. Support vector machines for classification in remote sensing. International Journal of Remote Sensing, v. 26, n. 5, p. 1007-1011. 2005. PATIL, N.; LATHI, R.; CHITRE, V. Comparison of C5.0 & CART Classification algorithms using pruning technique. International Journal of Engineering Research & Technology. V.1, n.4, 2012. QUINLAN, J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, 1993. ROSENFIELD, G. H; FITZPTRIK-LINS, K. & LING, S. H. Sampling for Thematic Map Accuracy Testing. Photogrammetric Engineering and Remote Sensing, Vol. 48 (1), p. 131-137, 1982. RUBESAM, A. Estimação não paramétrica aplicada a problemas de classificação via Bagging e Boosting. (Dissertação de mestrado). Universidade Estadual de Campinas- UNICAMP, Instituto de Matemática, Estatística e Computação Científica. 127p. Campinas. 2004. RUIZ, L.F.C. Uma abordagem de classificação da cobertura da terra em imagens obtidas por veículo aéreo não tripulado. (Dissertação de mestrado). Porto Alegre: UFRS-Universidade Federal do Rio Grande do Sul. 105 p. 2015. 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, [s.l.], v. 243-244, p.214-227, abr. 2015. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2014.12.017. SANTOS, E.M. dos. Teoria e Aplicação de Support Vector Machines à Aprendizagem e Reconhecimento de Objetos Baseado na Aparência. (Dissertação de mestrado). Universidade Federal da Paraíba. Campina Grande. 2002. SANTOS, V.N.P. dos. Modelo de data mining para detecção de tumores em exames de rastreio. (Dissertação de mestrado). INSTITUTO SUPERIOR DE ENGENHARIA DE LISBOA-ISEL. 2013 SCHAPIRE, R. E.; FREUND, Y. Boosting: foundations and algorithms. Cambridge: MIT, 2012. SCHEER, Maurício Bergamini; CURCIO, Gustavo Ribas; RODERJAN, Carlos Vellozo. Funcionalidades ambientais de solos altomontanos na Serra da Igreja, Paraná. Revista Brasileira de Ciência do Solo, [s.l.], v. 35, n. 4, p.1013-1026, ago. 2011. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0100-06832011000400005. SCULL P; FRANKLIN J.; CHADWICK OA; MCARTHUR D . Predictive soil mapping: a review. Progress In Physical Geography, [s.l.], v. 27, n. 2, p.171-197, jun. 2003. SILVA, S. M. P.; CROSTA, A. P.; FERREIRA, F. J. F.; BEURLEN, H.; SILVA, A. M.; SANTOS, L. F. Espectrometria de raios gama de granitos pegmatíticos da Província pegmatítica da Borborema (PPB), Nordeste do Brasil. Revista Brasileira de Geofísica, 28:673-690, 2010. 80 SIRTOLI, A. E. Mapeamento de solos com auxílio de atributos do terreno, índices espectrais e geologia integrados por redes neurais artificiais. [Tese]. Universidade Federal do Paraná, Setor de Ciências da Terra. Curitiba.2008. SOUZA, P.H.T.de O. Classificação utilizando técnicas de aprendizado estatístico: Estudo de casos. (Trabalho de conclusão de curso). Universidade de Brasília. Departamento de Estatística. Brasília. 2016. TAGHIZADEH-MEHRJARDI R; NABIOLLAHI K.; MINASNY B.; TRIANTAFILISD J. Comparing data mining classifiers to predict spatial distribution of USDA-family soil groups in Baneh region, Iran. Geoderma, [s.l.], v. 253-254, p.67-77, set. 2015. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2015.04.008. TAN, P.-N., STEINBACH, M., and KUMAR, V. Introdução ao data mining: mineração de dados. Rio de Janeiro: Ciência Moderna, 2009. TEN CATEN, A.; DALMOLIN RSD; PEDRON F DE A; SANTOS M DE LM. Componentes principais como preditores no mapeamento digital de classes de solos. Ciência Rural, [s.l.], v. 41, n. 7, p.1170-1176, jul. 2011. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0103-84782011000700011. TEN CATEN, A.; DALMOLIN, R. S. D.; RUIZ, L. F. C.; SEBEM, E.; PEREIRA, R. S. P. Mapeamento digital de solos através da aplicação de componentes principais em modelos logísticos. In: Simpósio Brasileiro de Sensoriamento Remoto, Natal, RN, 2009. Anais XIV. INPE:, 2009. p. 7677-7684. TSO, B.; MATHER, P. Classification methods for remotely sensed data. Danvers: Taylor & Francis Group, 2009, 376 p. 2ed. ISBN 9781420090727 VAPNIK, V. N. (1999). The Nature of Statistical Learning Theory. Springer Verlag, New York, 2nd edition. Very High-Dimensional Data with Random Forests Built from Small Subspaces. International Journal of Data Warehousing and Mining (IJDWM), 8(2), 44-63. XU B., HUANG J. Z., WILLIAMS G., WANG Q., YE Y. Classifying very high-dimensional data with random forests built from small subspaces. International Journal of Data Warehousing and Mining. 2012;8(2):44–63. doi: 10.4018/jdwm.2012040103. WRIGHT, M.N; E ZIEGLER, A. Ranger: A Fast Implementation of Random Forests for High Dimensional Data in C++ and R. arXiv:1508.04409v1 [stat.ML] 18 Aug 2015. WRIGHT, M;N. A Fast Implementation of Random. ForestsPackage Ranger. p. 1-19 . 2017 ZADROZNY, B. Aprendizado de Máquina. 2010. Disponível em:< http://www2.ic.uff.br/~bianca/aa/aulas/AA-Aula4.pdf>. Acesso em Maio, 2017. ZERAATPISHEH MOJTABA; AYOUBI SHAMSOLLAH, JAFARI AZAM , FINKE PETER . Comparing the efficiency of digital and conventional soil mapping to predict soil types in a semi-arid region in Iran. Geomorphology, [s.l.], v. 285, p.186-204, maio 2017. Elsevier BV. http://dx.doi.org/10.1016/j.geomorph.2017.02.015. ZHU, A. X; HUDSON, B; BURT, J; LUBICH, K; SIMONSON, D. Soil mapping using GIS, expert knowledge, and fuzzy logic. Soil Science Society of American Journal, Madison,v.65, p. 1463-1472, 2001. ABREU, VS. Uso de georadar e mapeamento digital de solos no estudo de mussunungas em área do Grupo Barreiras. [Dissertação].Universidade Federal de Viçosa-UFV, Viçosa, 166 p. Fev de 2017. Raios-X Predição Elemento Valor mínimo Valor máximo Valor mínimo Valor máximo Método de predição Al 13,44 33,86 16,49 31,55 RF Ca 0,01 1,33 0,05 0,86 RF Cr 18,12 541,42 0,00 752,00 FOBA Fe 3,31 18,63 5,86 15,00 RF K 0,10 3,08 0,37 2,08 RF P 0,00 6850,07 863,00 4423,00 RF Pb 60,99 1101,56 108,00 336,00 RF S 0,01 0,24 0,07 0,24 PLS / PCR Ti 0,93 3,79 0,60 3,95 GBM V 183,15 745,18 225,00 665,00 GBM Zr 249,38 1844,85 456,00 1264,00 RF Tabela 37- Valores máximos e mínimos encontrados para Al, Ca, Cr, Fe, K, P, Pb, S, Ti, V e Zr na análise de raios-x e pelos modelos de predição na profundidade 10-30 cm *Al, Ca, Fe, K, S e Ti em dag/kg e Cr, P, Pb, V e Zr em ppm. Random Forest-RF, Ridge regression-RIDGE, Partial Least Squares-PLS, Regressão por componentes principais-PCR, Adaptive Forward-Backward Greedy Algorithm-FOBA, Generalized Boosted Regression Models- GBM e Gradient Boosting with Component-wise Linear Models – GLMBOOST 106 ALVES SOBRINHO, T.; PERTUSSATTI, C. A.; REBUCCI, L.C. S.; OLIVEIRA, P. T. S. Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais. Revista Ambiente e Água, Taubaté, v. 6, n. 2, p.246-254, 2011. ANDERSEN, C.; BRO, R. Variable selection in regression- a tutorial. Journal of Chemometrics. v.24, p. 728-737. 2010. ANDRADE, F.; SANTOS, J.; CARNEIRO,L.; PAULO, R. Notas de aula. Disponível em:<http://paginas.fe.up.pt/~eol/IA/IA0708/APONTAMENTOS/IAlogica_conjuntos_difusos.pdf > . Acesso em : Ago, 2014. ANDRIOLO, M.V.Análise de Métodos não Lineares para Previsão de Vazões Médias Mensais. Dissertação (mestrado). Universidade Federal do Paraná. UFP. 248 p. 2006. ARRUDA, G. O; DEMATTÊ, J. A. M. CHAGAS, C. S. Mapeamento digital de solos por redes neurais artificiais com base na relação solo-paisagem. Revista Brasileira Ciência do Solo, v. 37, n.2, p.327-338, 2013. ASHTEKAR, J.M.; OWENS, P.R. Remembering Knowledge: Na expert knowledge based approach to digital soil mapping. Soil Horizons. v. 54, n 5, p. 1-6, 2013. AZEVEDO, C.F.; RESENDE, M.D.V. DE; SILVA, F.F. E; LOPES, P.S; GUIMARÃES, S.E.F. Regressão via componentes independentes aplicada à seleção genômica para características de carcaça em suínos. Pesquisa Agropecuária Brasileira, [s.l.], v. 48, n. 6, p.619-626, jun. 2013. BARIN, A.; CANHA, L.N. MAGNAGO, K.F.; ABAIDE, A.R. Seleção de fontes alternativas de geração distribuída utilizando uma análise multicriterial baseada no método ahp e na lógica fuzzy. Revista Controle & Automação. v.21 n.5, p.477-486 2010. BARRETO-NETO, A. A.; SOUZA FILHO, C. R. de. Application Of Fuzzy Logic To The Evaluation Of Runoff In A Tropical Watershed. Environmental Modeling & Software, v23, n1, p.244-253. 2008. BENINI, L.C. Modelagem neuro-fuzzy para precisão da densidade do solo. Anais do XXXIV Congresso Nacional de Matematica aplicada e computacional. p.856-857. 17 a 21 de Set, 2012. BHERING,S.B.; CHAGAS, C. da S.; CARVALHO JUNIOR, W. de; PEREIRA, N.R.; CALDERANO FILHO, B.. Influência do modelo digital de elevação no mapeamento digital de atributos do solo por random forest (RF). Congresso brasileiro de Ciencia do solo. 2015. Disponível em < http://www.cbcs2015.com.br/anais/index.php#menuanais > Acesso em mai, 2016. BÖHNER, J., MCCLOY, K.R., STROBL, J. [Eds.]: SAGA – Analysis and Modelling Applications. Göttinger Geographische Abhandlungen, v.115, 130p. 2006. BONISCH, S.; LOPES ASSAD, M.L.; CÂMARA, G.; MONTEIRO, A.M.V. Representação e propagação de incertezas em dados solos. Revista Brasileira de Ciência do Solo. v.28, n.1, p.21-32, 2004. BRIAND, L. C.; FREIMUT, B.; VOLLEI, F. Using multiple adaptive regression splines to support decision making in code inspections. The Journal of Systems and Software. v.73, p. 205-217. 2004. 107 BUEHLMANN, P. Boosting for high-dimensional linear models. The Annals of Statistics, 34(2), 559–583.2006. BUEHLMANN, P.; HOTHORN, T. Boosting algorithms: regularization, prediction and model fitting. Statistical Science, 22(4), 477–505.2007. BUEHLMANN, P.;YU, B. Boosting with the L2 loss: regression and classification. Journal of the American Statistical Association, 98, 324–339. 2003. BURROUGH, P. A. Fuzzy mathematical methods for soil survey and land evaluation. Journal of Soil Science, v. 40, n.3,p. 477-482, 1989 CAMERA C, ZOMENI Z, NOLLER JS, ZISSIMOS AM, CHRISTOFOROU IC, BRUGGEMAN A. A high resolution map of soil types and physical properties for Cyprus: A digital soil mapping optimization. Geoderma, [s.l.], v. 285, p.35-49, jan. 2017. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2016.09.019. CARRÉ, F.; GIRARD, M. C. Quantitative mapping of soil types based on regression kriging of taxonomic distances with landform and cover attributes. Geoderma, Amsterdam. v. 110, p. 241-263, 2002. CARVALHO JÚNIOR, W. de; CHAGAS, C. da S.; FERNANDES FILHO, E.I.; VIEIRA, C.A.O.; SCHAEFER, C.E.G.; BHERING, S.B.; FRANCELINO, M.R. Digital soilscape mapping of tropical hillslope areas by neural networks. Scientia Agricola, v.68, n.6, p.691‑696, 2011. CARVALHO, A. de P.; MORAES NETO, J. M. de; LIMA, V. L. A. de; & SILVA, D. G.K. C. Estudo da degradação ambiental do açude Bodocongó. Engenharia Ambiental - Espírito Santo do Pinhal, v.6,n.2, p. 293-305, 2009. CATEN, A. T . Mapeamento digital de solos: metodologias para atender a demanda por informação espacial em solos. 106 p . 2011a. (Tese de Doutorado). Universidade Federal de Santa Maria. CATEN, A.T.; DALMOLIN, R.S.D; PEDRON, F.A.; SANTOS, M.L.M. Extrapolação das relações solo-paisagem a partir de uma área de referência. Ciência Rural, v.41, n.5,p. 812-816, 2011b. 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. Mapeamento digital de solos por correlação ambiental e redes neurais em uma bacia hidrográfica de domínio de mar de morros. 223 p. 2006 (Tese de Doutorado).Universidade Federal de Viçosa. CHATTERJEE, S. & HADI, A.S. Regression analysis by example. 4.ed. New York, John Willey & Sons, 375p. 2006. CLÉSIO, F. Qual a diferença entre lasso e ridge regression?.2015. Disponível em< https://mineracaodedados.wordpress.com/2015/06/20/qual-a-diferenca-entre-lasso-e-ridge-regression/> Acesso em Agp, 2017. 108 CONGALTON, R.G.; GREEN, K. Assessing the accuracy of remotely sensed data:Principles and practices. International Journal of Applied Earth Observation and Geoinformation, v.11, n.2,p.448-449,1999. COSTA, A. M.; CURI, N.; MENEZES, M. D.; ARAÚJO, E. F.; MARQUES, J. J. Levantamento detalhado de solos da microbacia hidrográfica do Horto Florestal Terra Dura (RS) e considerações sobre escala de mapeamento. Ciência e Agrotecnologia, Lavras, v. 33, n. 5, p. 1272-1279, set./out., 2009 CULE, E.; DE IORIO, M. A semi-automatic method to guide the choice of ridge parameter in ridge regression.2012. Disponível em < https://arxiv.org/abs/1205.0686> Acesso em Ago, 2017. DAVIES, B.E., GAMM, S.A. Trend surface analysis applied to soil reaction values from Kent, England. Geoderma 3, 223– 231.1969. DEBELLA-GILO, M. & ETZELMÜLLER, B. Spatial prediction of soil classes using digital terrain analysis and multinomial logistic regression modeling integrated in GIS: Examples from Vestfold County, Norway. Catena. v. 77, p.8-18, 2009. DEMATTÊ, J. A. M.; GENÚ, A. M.; FIORIO, P. R.; ORTIZ, J. L.; MAZZA, J. A.; LEONARDO, H. C. L. Comparação entre mapas de solos obtidos por sensoriamento remoto espectral e pelo método convencional. Pesquisa Agropecuária Brasileira, Brasília, v. 39, n. 12, p.1219-1229, 2004. DOKUCHAEV, V. V. Russian chernozem: complete set of works. Moscow: Academy of Sciences Publisher. p. 404. v. 3.1949. DOZUALDO, D.G; REZENDE, S.O. Análise da Precisão de Métodos de Regressão. Relatórios técnicos. Universidade de São Paulo-USP. Instituto de Ciências Matemáticas e de computação. n 197.45 p. 2003. ELITH, J.; LEATHWICK, J.R.; HASTIE, T. A working guide to boosted regression trees. J Anim Ecol. 77(4):802-13.2008. ELNAGGAR, A. A. Development of Predictive Mapping Techniques foi Soil Survey and Salinity Mapping. 148 p. 2007. Thesis (PhD) – Oregon State University. EMBRAPA. EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA -Centro Nacional de Pesquisa de Solos. Sistema brasileiro de classificação de solos. 2.ed. Rio de Janeiro, Embrapa Solos, 2006. 316p. ERNANI PR. ; ALMEIDA JA DE; SANTOS FG DOS. Potássio. In: NOVAIS, R. F.; ALVAREZ V.. V. H.; Barros, N.F.; Fontes, R.L.F.; Cantarutti, R.B.; Neves, J.C. (Ed.) Fertilidade do Solo. Viçosa. Sociedade Brasileira de Ciência do Solo. v. 1, p.551-594, 2007. FIGUEIREDO, S.R.; GIASSON, E. TORNQUIST, C.G.; NASCIMENTO,P.C. Uso de regressões logísticas múltiplas para mapeamento digital de solos no planalto médio do RS. Revista Brasileira de Ciência do Solo. v. 32, n.Spe,p2779-2785, 2008. FREUND, Y.; SCHAPIRE, R.E. A decision-theoretic generalization of on-line learning and na application to boosting. Journal of Computer and System Sciences, 55(1):119-139.1997. 109 FRIEDMAN, J.H.Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics 29(5):1189-1232.2001. FUJIMOTO, R.Y. Diagnóstico automático dde defeitos em rolamentos baseado em Lógica Fuzzy.. 158 p. 2005. (Dissertação de Mestrado ). Escola Politécnica, Universidade de São Paulo. GARTHWAITE, P.H. An interpretation of partial least squares. Journal of the American Statistical Association, v.89, p.122‑127, 1994. GENÚ, A.M. Sensoriamento remoto e geoprocessamento na caracterização e avaliação pontual e espacial de solos e seus atributos. Tese (Doutorado). Escola Superior de Agricultura Luiz de Queiróz-ESALQ/USP. Piracicaba. 120p. 2006. GENUER, R., POGGI, J.M, MALOT, C.T.. Variable selection using random forests. Pattern Recognition Letters. v.31, p. 2225–2236, 2010. GONÇALVES, B.F. Modelagem de dados geofísicos, magnéticos e radiométricos aéreos e terrestres aplicados à interpretação geológica. Trabalho de conclusão de curso. Graduação em Geofísica. Universidade Federal da Bahia. Salvador. 142p. 2008. GRIMM, T. BEHRENS, M. MÄRKER, H. ELSENBEER. Soil organic carbon concentrations and stocks on Barro Colorado Island—Digital soil mapping using Random Forests analysis R. Geoderma. v. 146, p.102–113, 2008. 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. 25, p. 1-26, 2015. HILT, D. E.; SEEGRIST, D. W. A computer program for calculating ridge regression estimates. Forest Service, United States, Dept. of agriculture, University of Minnesota, Northeastern Forest Experiment Station, 1-7, 1977. HOFNER, B.; MAYR, A.; ROBINZONOV, N.; SCHMID, M. Model-based boosting in R: a hands-on tutorial using the R package mboost. Computational Statistics, [s.l.], v. 29, n. 1-2, p.3-35, 22 dez. 2012. HOTHORN, T.; BUEHLMANN, P.; KNEIB, T.; SCHMID, M.; HOFNER, B.; SOBOTKA, F.; SCHEIPL, F.; MAYR, A. Model-Based Boosting. Package mboost. Glmboost. 2017. Disponível em <https://cran.r-project.org/web/packages/mboost/mboost.pdf>.Acesso em: Ago, 2017. HUDSON, B.D. Concepts of soil mapping and interpretation. Soil Survey Horizons. v. 31,n.3 p.63-72, 1990. INSTITUTO CAPIXABA DE PESQUISA E EXTENSÃO RURAL- INCAPER. Município de Iconha. Disponível em < http://www.incaper.es.gov.br/institucional/downloads/iconha.pdf >. Acesso em Maio, 2014. KABATA-PENDIAS, A. Trace elements in soils and plants / Alina Kabata-Pendias. - 4th ed. 533 p.2010. CRC Press:EUA. 110 KISS, J.J., DE JONG, E., MARTZ, L.W. The distribution of fallout Cesium-137 in southern Saskatchewan, Canada. Journal of Environmental Quality 17, 445– 452.1988. KUHN,M; WESTON, S.; KEEFER, C.; COULTER, N. C code for Cubist by Ross Quinlan. Package Cubist. 13p. 2016. LAGACHERIE, P. Digital Soil Mapping: A State of the Art. In: HARTEMINK, A. E.; McBRATNEY, A.B., MENDONÇA-SANTOS M. L. (Eds) Digital Soil Mapping with Limited Data. New York: Springer. Ed. 1, cap.1, p. 3-14, 2008. LANDIS, J. R. & KOCH, G. G. The measurement of observer agreement for categorical data.Biometrics, v.33, n.1, p.159-174, 1977. LIAO, W.H. Region Description Using Extended local Ternary Patterns. International Conference on Pattern Recognition. p. 1003-1006, 2010. LOBÃO, J. S. B.; ROCHA, W. de J. S. da F; SILVA, A. de B. Utilização De Lógica Fuzzy Na Modelagem De Vulnerabilidade À Erosão No Município de Morro Chapéu – BA. In: III SIMPÓSIO REGIONAL DE GEOPROCESSAMENTO E SENSORIAMENTO REMOTO, Anais, Aracaju –SE. 2006. LOPES, K.M. de O. Modelos baseados em data mining para classificação multitemporal de culturas no Mato Grosso utilizando dados de NDVI/MODIS. Dissertação (mestrado). Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica. 2013. MacMILLAN, R. A. Experiences with Applied DSM: Protocol, Availability, Quality and Capacity Building. In.: HARTEMINK, A.E.; McBRATNEY, A.; MENDONÇA-SANTOS,M. DE L. (Ed.), Digital Soil Mapping with Limited Data. New York: Springer. Ed 1, cap. 10. p.113-135, 2008. MEIER, M.M. Zoneamento Pedoambiental em Assentamento da Reforma Agrária: Caso de Estudo – P.A. Denis Gonçalves, Zona da Mata Mineira. [Dissertação]. Universidade Federal de Viçosa, Viçosa, 122p. Jul de 2016. Zoneamento Pedoambiental em Assentamento da Reforma Agrária: Caso de Estudo – P.A. Denis Gonçalves, Zona da Mata Mineira. McBRATNEY, A. B.; MENDONÇA-SANTOS, M. L.; MINASNY, B.. On digital soil mapping. Geoderma. v.117, n.2.p.3-52. 2003. McBRATNEY, A. B.; WEBSTER, R. Spatial dependence and classification of soil alonga transect in northeast Scotland. Geoderma, v. 26,n.1, p. 63-82, 1981. MCBRATNEY, A.b; SANTOS, M.l Mendonça; MINASNY, B. On digital soil mapping. Geoderma, [s.l.], v. 117, n. 1-2, p.3-52, nov. 2003. MEDEIROS, S.; MELLO, R.; CAMPOS FILHO, P. Análise de projetos para unidades de conservação usando lógica fuzzy. Produção. v.17, n.2, p.317-329, 2007. MENEZES, M. D.; SILVA, S. H. G.; OWENS, P. R.; CURI, N. Digital soil mapping approach based on fuzzy logic and field expert knowledge.Ciência e Agrotecnologia. 2013, vol.37, n.4, pp. 287-298. 111 MENEZES, M.D.; SILVA, S.H.G., MELLO, C.R. de, OWENS, P.R., CURI, N. Solum depth spatial prediction comparing conventional with knowledge-based digital . Sci. Agric. v.71, n.4, p.316-323, 2014. MONSERUD, R. A. & LEEMANS, R. Comparing global vegetation maps with the Kappa statistic. Ecological Modelling, v.62,n.4, p.275-293, 1992. MOORE, I.D., GESSLER, P.E., NIELSEN, G.A., PETERSON, G.A., 1993. Soil attribute prediction using terrain analysis. Soil Science Society of America Journal 57, 443–452. MORAES, C.M.M. Fuzzycom- Componente de lógica fuzzy. Puc-Departamento de Engenharia Elétrica, p.1-15. Disponível em: < http://www.puc-rio.br/pibic/relatorio_resumo2007/relatorios/ele/ele_claudio_magno_martins_moraes.pdf>. Acesso em: Ago, 2014. MORELLATO, S. A. Modelos de regressão PLS com erros heteroscedásticos (Dissertação de mestrado). São Carlos : UFSCar-Universidade Federal de São Carlos, 49 p. 2010. MORITZ, S.; CULE, E. R Packpage Ridge. Disponível em: < https://cran.r-project.org/web/packages/ridge/ridge.pdf>. Acesso em Ago, 2017. NACHTIGALL GR E VAHL LC. Capacidade de suprimento de potássio dos solos da região sul do Rio Grande do Sul. Revista Brasileira de Ciência do Solo. 15:43-47, 1991. NEUMANN, M. R. B.. Mapeamento digital de solos, no Distrito Federal. 123 p. 2012. (Tese de Doutorado). Universidade de Brasília. Brasília. OLIVEIRA, S., OEHLER, F., AYANZ, J.S.M., CAMIA, A., PEREIRA, J.M.C. Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest. Forest Ecology and Management. v. 275, p.117–129, 2012. PANDORFI, H.; SILVA,I.J.O; GUISELINI,C.; PIEDADE,S.M.S.Uso da lógica fuzzy na caracterização do ambiente produtivo para matrizes gestantes. Engenharia Agrícola. v.27, n.1, p.83-92, 2007. Panero, F. dos Santos. Quimiometria -Regressão por Componentes Principais. 2010. Disponível em < http://quimiometria.pbworks.com/w/page/23745622/Quimiometria>. Acesso em Ago, 2017. PARREIRA, T.F. Utilização de métodos quimiométricos em dados de natureza multivariada. (Dissertação de mestrado). Universidade Estadual de Campinas-Unicamp. Instituto de Química. Campinas-SP. 106 p. 2003. PINHEIRO, H.S.K.; CHAGAS, C.S.; CARVALHO JÚNIOR, W. ANJOS, L.H.C. Modelos de elevação para obtenção de atributos topográficos utilizados em mapeamento digital de solos. Pesquisa Agropecuária Brasileira. v.47, n.9, p.1384-1394, 2012. POLETO, L. J. C.; SILVA, C. H. C.; R. JÚNIOR S.; VIEIRA, C. A. O., SANTOS, A. P.. Validação de modelo digital de elevação hidrologicamente consistente (MDEHC). II Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação. Recife - PE, 8-11 de setembro de 2008. 112 PROJETO RADAMBRASIL. Folha SH 22, SH 21 e Sl 22. Rio de Janeiro, IBGE. Levantamento dos Recursos Naturais,Série III, n°33. p.303-404, 1986. QI, F,; ZHU, A.X.; HARROWER, M.; BURT, J.E. Fuzzy soil mapping based on prototype category theory. Geoderma. v. 136, n 1, p. 774-787, 2006. QI, F.; ZHU, A.X. Knowledge Discovery from soil maps using inductive learning. International Journal of Geographical Information Science. v. 17, n 8, p. 771-795, 2003. QUINLAN. C4.5: Programs For Machine Learning. Morgan Kaufmann Publishers Inc. San Francisco, CA.1993. QUINLAN. Learning with continuous classes. Proceedings of the 5th Australian Joint Conference On Artificial Intelligence. p. 343-348.1992 R DEVELOPMENT CORE TEAM (2009). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0,URL http://www.R-project.org. REN-MIN YANG, GAN-LIN ZHANG, FENG LIU, YUAN-YUAN LU, FAN YANG, FEI YANG, MIN YANG, YU-GUO ZHAO, DE-CHENG LI. 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. REYANALDO, C. Regressão "Ridge": Um Método Alternativo para o Mal Condicionamento da Matriz das Regressoras (Dissertação de mestrado). - Universidade Estadual de Campinas. Instituto de Matemática, Estatística e Computação Científica. Campinas. 132 p. 1997. RIBEIRO, V.B.; MANTOVANI, M.S.M.; LOURO, V.H.A.. Aerogamaespectrometria e suas aplicações no mapeamento geológico. TERRA E DIDATICA, v.10, p.29-51, 2013. RIDGEWAY, G. Generalized Boosted Regression Models. Package gbm in R. 2017. Disponível em < https://cran.r-project.org/web/packages/gbm/gbm.pdf>. Acesso em Ago, 2017. ROUSE J. W.; HAAS Jr, R. H.; DEERING D. W.; SCHELL J. A., Monitoring the vernal advancement and retrogradation (Green wave effect) of natural vegetation, Texas A&M Univ., College Station. p. 1-69, 1973. ROVEDA, R.G.A.; COSTA, L.M.; SHAEFER,C.E.G.R.; FERNANDES FILHO, E.J.; GAGGERO, M.R. Análise digital do terreno ferramenta na identificação de pedoformas em microbacia na região de mar de morros (MG). Revista Brasileira de Ciência do Solo. v.29,n.1.p.269-276, 2005. ROVEDA, S.R.M.M.; ROVEDA, J.A.F.; LOUREÇO, R.W. Aplicação da lógica fuzzy para estudo de permeabilidade de solos de região impactada da Baixada santista. Holos Envoroment. v. 11, n.2, p.180-187, 2011. RYAN, P.J., MCKENZIE, N.J., O'CONNELL, D., LOUGHHEAD, A.N., LEPPERT, P.M., JACQUIER, D., ASHTON, L.. Integrating forest soils information across scales: 113 spatial prediction of soil properties under Australian forests. Forest Ecology and Management. v. 138, p. 139-157. 2000. SALIBY, E. Descriptive Sampling: An Improvement Over Latin Hypercube Sampling. In: Winter Simulation Conference, v. 1, n 1, p. 1-6, 1997. SANCHEZ, P.A.; AHAMED, S.; CARRÉ, F.; HARTEMINK, A.E.;HEMPEL, J.; HUISING, J.; LAGACHERIE, P.; MCBRATNEY,A.B.; MCKENZIE, N.J.; MENDONCA‑SANTOS, M. de L.;MINASNY, B.; MONTANARELLA, L.; OKOTH, P.; PALM, C.A.;SACHS, J.D.; SHEPHERD, K.D.; VÅGEN, T.‑G.; VANLAUWE, B.; WALSH, M.G.; WINOWIECKI, L.A.; ZHANG, G.‑L. Digital soil map of the world. Science, v.325,n 5941, p.680‑681, 2009. SANDRI, S.; CORREA, C. Lógica Nebulosa. São José dos Campos: ITA, 1999. Disponível em: <http://www.ele.ita.br/cnrn/minicursos-5ern/log-neb.pdf>. Acesso em: 22 jul.2014 SANTOS, R.D.; LEMOS, R.C.; SANTOS, H.G.; KER, J.C. & ANJOS, L.H.C. Manual de descrição e coleta de solo no campo. 5.ed. Viçosa, MG, Sociedade Brasileira de Ciência do Solo/Rio de Janeiro, Embrapa, 2005. 100p. SANTOS,H.G. Importância e evolução dos levantamentos de solos no Brasil. Boletim Informativo, Viçosa, v.32.n.1, p.21-26. 2007. SANTOS,M.L.M E SANTOS, H.G. Mapeamento digital de classes e atributos de solos: métodos, paradigmas e novas técnicas. Série Documentos Embrapa Solos. v.1 ,n 55. 19 p. 2003. SARMENTO, E. C. Comparação entre quatro algoritmos de aprendizagem de máquina no mapeamento digital de solos no Vale dos Vinhedos, RS, Brasil. 109 p. 2010. (Tese de Doutorado). Universidade Federal do Rio Grande do Sul. SHI, A.X; LONG, R,; DEKETT, R.; PHILIPPE, J. Integrating different types of knowledge for digital soil mapping. Soil Science Society of America Journal. v. 73, n 5, p. 1682-1692, 2009. SILVA, S. H. G. Cambisol (Inceptisol) Solum thickness digital mapping based on expert knowledge with limited data from a watershed in Minas Gerais, Brazil. 41 p. Monografia – Universidade Federal de Lavras, Lavras, 2013. SILVA, Cristiano Cassiano. Mapeamento digital de classes de solo: aplicação de metodologia na folha Botucatu (SF-22-Z-B-IV-3) e validação de campo. 117 p. 2012. (Dissertação de Mestrado). Instituto Agronômico de Campinas. SILVA, L.M.; GONÇALVES, R.M.; LIRA, M.M.S.; FERREIRA, P.S. Modelagem fuzzy aplicada na detecção da vulnerabildade à erosão costeira. Boletim de Ciências Geodésicas, v. 19, n 4, p.746-764, 2013. SILVA, S.A e LIMA, J.S. Lógica fuzzy no mapeamento de variáveis indicadoras de fertilidade do solo. Idesia(Chile). v.27, n.3,p.41-46, 2009. 114 SILVA,S.A.; LIMA,J.S. de; SOUZA, G.S.; XAVIER, A.C. Distribuição e incerteza da acidez de um Latossolo vermelho-amarelo húmico sob o cultivo do café. Revista Brasileira de Ciência do Solo. v. 33; n.1; p.1053-1060, 2009. SOUZA, DMG; RITCHEY, KD; LOBATO E; GOEDERT, WJ. Potássio em solo do Cerrado: II. Balanço no solo. Revista Brasileira de Ciência do Solo, 3:33-36, 1979. STOLLE,L; LINGNAU,C.; ARCE, J.E.; BOGNOLA, I.A. Aplicação de um sistema baseado em conhecimento e lógica fuzzy para o mapeamento da fragilidade ambiental em relação às atividades florestais. Anais do XIV Simpósio Brasileiro de Sensoriamento Remoto.p. 3103-3110. 25 a 30 de Abr, 2009. SUAREZ,A.F. E CANDEIAS, A.L.B. Avaliação da acurácia da classificação de dados de sensoriamento remoto para o município de Maragocipe. IV Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação. Recife/PE.p 1-10. 2012. TAN, P.-N., STEINBACH, M., and KUMAR, V. Introdução ao data mining: mineração de dados. Rio de Janeiro: Ciência Moderna, 2009. TANSCHEIT, R. Sistemas fuzzy. PUC-Rio, Rio de Janeiro, 2014. Disponível em < http://www2.ica.ele.puc-rio.br/Downloads/41/LN-Sistemas%20Fuzzy.pdf> Acesso em 21 jul, 2014. TEN CATEN, A., DALMOLIN, R.S.D, PEDRON, F.A., SANTOS, M.de L.M. Regressões logísticas múltiplas: fatores que influenciam sua aplicação na predição de classes de solos.. R. Bras. Ci. Solo, v. 35, p. 53-62, 2011. WERE, K., BUI, D.T., DICK, O.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. WIESMEIER, M.; BARTHOLD, F., BLANK, B; KÖGEL-KNABNER,I . Digital mapping of soil organic matter stocks using Random Forest modeling in a semi-arid steppe ecosystem. Plant Soil. v. 340, p.7–24, 2011. ZADEH,L.A. Fuzzy sets. Information and control. n. 8, p.338-353. 1965. ZHANG, T. "Adaptive Forward-Backward Greedy Algorithm for Learning Sparse Representations". Rutgers Technical Report. Departamento de Estatística, Rutgers University, New Jersey, EUA. 2008. ZHANG, T. Greedy variable selection. Package R Foba. 2015. Disponível em < https://cran.r-project.org/web/packages/foba/foba.pdf>. Acesso em Ago, 2017. ZHIU, A.; FENG, Q.; MOORE, A. BURT, J.E. Prediction of soil properties using fuzzy membership values. Geoderma. v. 158, n 3, p.199-206, 2010. ZHU, A.X.; YANG, L.; LI,B.; QIN, C. ENGLISH, E.; BURT, J.; ZHOU, C. Purposive Sampling for digital soil mapping for areas with limited data. In: HARTEMINK, A.E.; McBRATNEY,A.; MENDONÇA-SANTOS, M.L. (Ed.). Digital Soil Mapping With limited Data. Springer, p. 233-245, 2008. 115 ZHU, Q.; LIN, H. S. Comparing ordinary kriging and regression kriging for soil properties in contrasting landscapes. Pedosphere, v. 20, n. 5, p. 594-606, 2010. ZHU,A.X.; BAND, L.; VERTESSY, R.; DUTTON, B. Derivation of soil properties using a soil land inference model (SoLIM). Soil Science Society of American Journal. v. 61, n 2, p. 523-533, 1997. ZIMMER, J.; ANZANELLO, M.J. Um novo método para seleção de variáveis preditivas com base em índices de importância. Production. v. 24, n.1, p. 84-93, 2014 ABDI, D., TREMBLAY, G.F., ZIADI, N., BÉLANGER, G., PARENT, L.-É. Predicting soil phosphorus-related properties using near-infrared reflectance spectroscopy. Soil Sci. Soc. Am. J. 76, 2318–2326.2012. ABDI,D.; CADE-MENUN, B.J.; ZIADI, N.; TREMBLAY, G.F.; PARENT, L-É. Visible near infrared reflectance spectroscopy to predict soil phosphorus pools in chernozems of Saskatchewan, Canada. Geoderma Regional, [s.l.], v. 7, n. 2, p.93-101, jun. 2016. ADELINE, K.R.M;GOMEZ, C.; GORRETTA, N.; ROGER , J.M. Predictive ability of soil properties to spectral degradation from laboratory Vis-NIR spectroscopy data. Geoderma, [s.l.], v. 288, p.143-153, fev. 2017. ALBA, J.M.F; ALCOVER NETO, A.; SANTOS, H.P DOS; SANDRINI, W.C. Caracterização espectrorradiométrica de minerais e rochas sedimentares. Embrapa Clima Temperado: Série Documentos: 172. 13 p. 2006. ANDRONIKOV, V.L.; DOBROLVSHIY, G.V. Theory and methods for the use of remote sensing in the study of soils. Mapping Science and Remote Sensing, v.28, p.92-101, 1991. ARACHCHI, M.P.N.K. H; FIELD, D.J.; McBRATNEY, A.B.. Quantification of soil carbon from bulk soil samples to predict the aggregate-carbon fractions within using near- and mid-infrared spectroscopic techniques. Geoderma, [s.l.], v. 267, p.207-214, abr. 2016. 159 BARTHOLOMEUS, H.M.; SCHAEPMAN, M.E.; KOOISTRA, L.; STEVENS, A.; HOOGMOED,W.B.; SPAARGAREN, O.S.P. Spectral reflectance based indices for soil organic carbon quantification. Geoderma, [s.l.], v. 145, n. 1-2, p.28-36, maio 2008. BASHAGALUKE JANVIER; NSHOBOLE NICOLE; FATAKI DIDIER, MOCHOGE BENSON, MUGWE JAYNE, WALANGULULU JEAN. Application of infrared technique in soil properties characterization in South Kivu province of DR Congo. African Journal of Food Science and Technology.Vol. 6(2) pp. 58-67, Feb 2015. BELLON-MAUREL, V., FERNANDEZ-AHUMADA, E., PALAGOS, B., ROGER, J.-M.; McBRATNEY, A. Critical review of chemometric indicators commonly used for assessing the quality of the prediction of soil attributes by NIR spectroscopy. TrAC Trends Anal. Chem. 29, 1073–1081. 2010. BELLON-MAUREL, V., FERNANDEZ-AHUMADA, E., PALAGOS, P., ROGER, J.M., McBRATNEY, A.B. Critical review of chemometric indicators commonly used for assessing the quality of the prediction of soil attributes by NIR spectroscopy. Trends Anal. Chem. 29, 1073–1081.2010. BELLON-MAUREL, V.,McBRATNEY, A. Near-infrared (NIR) andmid-infrared (MIR) spectroscopic techniques for assessing the amount of carbon stock in soils — critical review and research perspectives. Soil Biol. Biochem. 43, 1398–1410.2011. BELLON-MAUREL, V.; FERNANDEZ-AHUMADA,E.; PALAGOS, B.; ROGER, J-M.; McBRATNEY, A. Critical review of chemometric indicators commonly user for assessing the quality of the prediction of soil atributes by NIR spectroscopy. Trends in Analytical Chemistry. Amsterdam, v.29, n 9, p. 1073-1081,2010. BEN-DOR, E., BANIN, A. Diffuse reflectance spectra of smectite minerals in the near infrared and their relation to chemical composition, Sci. Geol. Bull. 43.117–128.1990. BEN-DOR, E., BANIN, A. Near infrared analysis as a rapid method to simultaneously evaluate several soil properties. Soil Science Society of America Journal 59, 364–372. 1995. BEN-DOR, E., IRONS, J.R., EPEMA, J.F. Soil reflectance: remote sensing for the Earth Science, In: Rencz, Andrew N. (Ed.), 3 ed. Manual of Remote Sensing, vol.3.1999. BEN-DOR, E., PATKIN, K., BANIN, A., KARNIELI, A., 2002. Mapping of several soil properties using DAIS- 7915 hyperspectral scanner data – a case study over clayey soils in Israel. Int. J. Remote Sensing 23, 1043–1062.2002. BEYER, L., KAHLE, P., KRETSCHMER, H., WU, Q. Soil organic matter composition of man-impacted urban sites in North Germany. Journal of Plant Nutrition and Soil Science 164, 359–364.2001. BILGILI; A.V., VAN ES H.M.;AKBAS, F., DURAK; A., HIVELY, W.D. Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey. Journal of Arid Environments. v.74. p. 229–238. 2010. 160 BOGREKCI, I.; LEE, W.s.. Comparison of Ultraviolet, Visible, and Near Infrared Sensing for Soil Phosphorus. Biosystems Engineering, [s.l.], v. 96, n. 2, p.293-299, fev. 2007. BORNEMANN, L., WELP, G., BRODOWSKI, S., RODIONOV, A., AMELUNG, W. Rapid assessment of black carbon in soil organic matter using mid-infrared spectroscopy. Org. Geochem. 39, 1537–1544. 2008. BROWN, D.J., BRICKLEMYER, R.S., MILLER, P.R. Validation requirements for diffuse reflectance soil characterization models with a case study of VNIR soil C prediction in Montana. Geoderma 129, 251–267.2005. BROWN, D.J., SHEPHERD, K.D., WALSH, M.G., DEWAYNE MAYS, M., REINSCH, T.G. Global soil characterization with VNIR diffuse reflectance spectroscopy. Geoderma 132, 273–290.2006. CÉCILLON, L.; BARTHÉS, B.; GOMEZ, C.; ERTLEN, D.; GÉNOT, V.; HEDDE, M.; STEVENS, A.; BRUN, J-J. Assessment and monitoring of soil quality using near-infrared reflectance spectroscopy (NIRS). European Journal Of Soil Science, [s.l.], v. 60, n. 5, p.770-784, out. 2009. CEPSRM-CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO REMOTO E METEOROLOGIA. UFRGS-Rio Grande do Sul-RS. 2017. Disponível em:< http://www.ufrgs.br/engcart/PDASR/rem.html>. Acesso em: Mar, 2017. CHANG, C.W, LAIRD, D.A., MAUSBACH, M.J., HURBURGH, C.R.J. Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties. Soil Sci. Soc. Am. J. 65, 480–490.2001. CHANG, C.W.; LAIRD, D.A. Near-infrared reflectance spectroscopic analysis of soil C and N. Soil Science, Philadelphia, v. 167, n.2, p.110-116, 2002. CHANG, C.W.; LAIRD, D.A; MAUSBACH, M.J.; HUBURGH,C.R. Near-infrared reflectance spectroscopy-principal componentes regression analyses od soil properties. Soil Science Society of America Journal, Madison, v.65, p.480-900, 2001. COURROL, L.C; PRETO, A. DE O. Apostila teórica: Óptica Técnica I. Faculdade de Tecnologia de São Paulo-FATEC. 2017. Disponível em: < http://www.fatecsp.br/paginas/apostila_teorica.pdf> Acesso em: Mar, 2017. DALMOLIN, R.S.D. Matéria orgânica e características físicas, químicas, mineralógicas e espectrais de Latossolos de diferentes ambientes. 2002. 151f. Tese (Doutorado em Ciência do Solo) - Programa de Pós-graduação em Ciência do Solo, Universidade Federal do Rio Grande do Sul. DALMOLIN, R.S.D.; GONÇALVES, C.N.; KLAMT, E.; DICK,D.P. Relação entre os constituintes do solo e seu comportamento espectral. Ciência Rural, Santa Maria, v.35, n.2, p.481-489, mar-abr, 2005. DANIEL, K.W., TRIPATHI, N.K., HONDA, K. Artificial neural network analysis of laboratory and in situ spectra for the estimation of macronutrients in soils of Lop Buri (Thailand). Australian Journal of Soil Research 41, 47–59. 2003. 161 DARDANNE, P., SINNAEVE, G., BAETEN, V. Multivariate calibration and chemometrics for near infrared spectroscopy: which method? Journal of Near Infrared Spectroscopy 8, 229–237. 2000. DEMATTÊ, J.A.M; GENU, A. M.;FIORIO, P.R.;ORTIZ, J.L.; MAZZA, J.A.; LEONARDO, H.C.L. Comparação entre mapas de solos obtidos por sensoriamento remoto espectral e pelo método convencional. Pesquisa agropecuária brasileira, Brasília, v.39, n.12, p.1219-1229, dez. 2004. EMBRAPA. Sistema Brasileiro de Classificação de Solos. Embrapa Solos. Centro Nacional de Pesquisa de Solos (Rio de Janeiro, RJ). Sistema brasileiro de classificação de solos. 2. ed. – Rio de Janeiro: EMBRAPA-SPI, 2006. 306 p. ESALQ. Escola Superior de Agricultura Luiz de Queiróz. 2017. Disponível em:< http://bibliotecaespectral.wixsite.com/esalq/about>. Acesso em: Maio, 2017. FERNANDEZ-PIERNA, J.A., DARDENNE, P. Soil Parameter Quantification by NIRS as a Chemometric Challenge at ‘Chimiometrie 2006’, 9th Annual Chemometrics Congress. Elsevier Science Bv, Paris, France 94–98. 2006 FIDENCIO, P.H., POPPI, R.J., DE ANDRADE, J.C. Determination of organic matter in soils using radial basis function networks and near infrared spectroscopy. Analytica Chimica Acta 453, 125–134. 2002. Figueiredo, D. Conceitos básicos de sensoriamento remoto. CONAB. Brasília - DF 2005. Disponível em <http://www.conab.gov.br/conabweb/download/SIGABRASIL/manuais/conceitos_sm.pdf> Acesso em: Mar, 2017. FLORENZANO, T.G. Imagens de satélites para estudos ambientais. Cap 1: Imagens obtidas por sensoriamento remoto. São Paulo: Oficina de Textos, 97 p., 2002. GENOT, V., COLINET, G., BOCK, L., VANVYVE, D., REUSEN, Y., DARDENNE, P. Near infrared reflectance spectroscopy for estimating soil characteristics valuable in the diagnosis of soil fertility. Journal of Near Infrared Spectroscopy 19 (2), 117–138.2011. GERARDI, M. Física. Universidade Federal de Juiz de Fora-UFJF. 90 p. 2014. GOBRECHT, A., ROGER, J.M., BELLON-MAUREL, V. Major issues of diffuse reflectance NIR spectroscopy in the specific context of soil carbon content estimation: a review. Adv. Agron. 123, 145–175.2013. GROENEVELD, R.A.; MEEDEN, G. Measuring skwness and kurtosis. Jounal of the Royal Statistical Society. London, v.33, n.4, p.391-399, 1984. HARTMANN, H.P., APPEL, T. Calibration of near infrared spectra for measuring decomposing cellulose and green manure in soils. Soil Biology & Biochemistry 38, 887–897. 2006. HARTMANN, H.P., APPEL, T. Calibration of near infrared spectra for measuring decomposing cellulose and green manure in soils. Soil Biology & Biochemistry 38, 887–897.2006. 162 HATCHELL, D.C. Analytical spectral devices, Inc.technical guide. Boulder: Analytical spectral devices, 1999. 140 p. HUNT, G.R., 1980. Electromagnetic radiation – the communication link in remote sensing. In: Siegal, B.S., Gillespie, A.R. (Eds.), Remote Sensing in Geology. Wiley, New York. ISLAM, K., SINGH, B., McBRATNEY, A.B. Simultaneous estimation of various soil properties by ultra-violet, visible and near-infrared reflectance spectroscopy. Australian Journal of Soil Research 41, 1101– 1114.2003. JANIK, L.J., MERRY, R.H., SKJEMSTAD, J.O. Can mid-infrared diffuse reflectance analysis replace soil extractions? Aust. J. Exp. Agric. 38, 681–696.1998. JIA, S.; LI, H.; WANG, Y.; TONG, R., LI, Q. Recursive variable selection to update near-infrared spectroscopy model for the determination of soil nitrogen and organic carbon. Geoderma, [s.l.], v. 268, p.92-99, abr. 2016. KANIA, MATEUSZ; GRUBA, PIOTR. Estimation of selected properties of forest soils using near-infrared spectroscopy (NIR). Soil Science Annual, [s.l.], v. 67, n. 1, p.32-36, 1 jan. 2016. KEMPER, T., BÖTTCHER, K., MACHWITZ, M., SOMMER, S., MEHL, W. Na approach to chemometric methods for soil organic matter estimation from laboratory and remote sensing data. 4th Workshop on Imaging Spectroscopy, Warsaw, pp. April 27–29.2005. KNOX, N.M.S., GRUNWALD, S., MCDOWELL, M.L., BRULAND, G.J., MYERS, D.B., HARRIS, W.G. Modelling soil carbon fractions with visible near-infrared (VNIR) and mid-infrared (MIR) spectroscopy. Geoderma 239–240, 229–239.2015. KOOISTRA, L., WEHRENS, R., LEUVEN, R.S.E.W., BUYDENS, L.M.C. Possibilities of visible-near-infrared spectroscopy for assessment of soil contamination in river floodplains. Analytica Chimica Acta 446, 97–105.2001. LEE W S; SANCHEZ J F; MYLAVARAPU R S; CHOE J S. Estimating chemical properties of Florida soils using spectral reflectance. Transactions of the ASAE, 46(5), 1443–1453.2003. LUDWIG, B., NITSCHKE, R., TERHOEVEN-URSELMANS, T., MICHEL, K., FLESSA, H. Use of midinfrared spectroscopy in the diffuse-reflectance mode for the prediction of the composition of organic matter in soil and litter. J. Plant Nutr. Soil Sci. 171, 384–391.2008. LUDWIG,B.; LINSLER,D.; HÖPER, H.; SCHMIDT, H.; PIEPHO, H-P.; VOHLAND,M. Pitfalls in the use of middle-infrared spectroscopy: representativeness and ranking criteria for the estimation of soil properties. Geoderma, [s.l.], v. 268, p.165-175, abr. 2016. MADARI, B.E., REEVES III, J.B., COELHO, M.R., MACHADO, P.L.O.A., DE POLLI, H., COELHO, R.J., BENITES, V., SOUZA,M., MCCARTY, L.F., G.W. Mid- and near- 163 infrared spectroscopic determination of total and organic carbon in a diverse set of soils from the Brazilian national soil collection. Spectrosc. Lett. 38, 721–740.2005. MADARI, B.E., REEVES III, J.B., MACHADO, P.L.O.A., GUIMARÃES, C.M., TORRES, E., McCARTY, G.W. Mid- and near-infrared spectroscopic assessment of soil compositional parameters and structural indices in two Ferralsols. Geoderma 136, 245–259.2006. MALEKI, M.R., VAN HOLM, L., RAMON, H., MERCKX, R., DE BAERDEMAEKER, J., MOUAZEN, A.M. Phosphorus sensing for fresh soils using visible and near infrared spectroscopy. Biosystems Engineering 95, 425–436.2006. MALLEY, D.F., MARTIN, P.D., DEN-DOR, E. Application in analysis of soils. In: Roberts, C.A., Workman Jr., J., Reeves III, J.B. (Eds.), Near-Infrared Spectroscopy in Agriculture. American Society of Agronomy, Madison, WI, pp. 729–784. Chapter 26.2004. MALLEY, D.F., YESMIN, L. & EILERS, R.G. Rapid analysis of hog manure and manure-amended soils using near-infrared spectroscopy. Soil Science Society of America Journal, 66, 1677- 1686.2002. McCARTY, G.W., REEVES III, J.B. Comparison of near infrared and mid infrared diffuse reflectance spectroscopy for field-scale measurement of soil fertility parameters. Soil Sci. 171, 94–102.2006. McCARTY, G.W., REEVES III, J.B., REEVES, V.B., FOLLETT, R.F., KIMBLE, J.M. Mid-infrared and near-infrared diffuse reflectance spectroscopy for soil carbon measurement. Soil Sci. Soc. Am. J. 66, 640–646. 2002. McCARTY, G.W., REEVES III, J.B., REEVES, V.B., FOLLETT, R.F., KIMBLE, J.M. Mid-infrared and near-infrared diffuse reflectance spectroscopy for soil carbon measurement. Soil Sci. Soc. Am. J. 66, 640–646.2002. McCAULEY, J.D., ENGEL, B.A., SCUDDER, C.E., MORGAN, M.T., ELLIOT, P.W. Assessing the spatial variability of organic matter. ASAE Paper No. 93–1555, American Society of Agricultural Engineers, St. Joseph, MI, USA.1993. MENESES, P.R; ALMEIDA, T.DE. Introdução ao processamento de imagens de sensoriamento remoto. Universidade de Brasília. 276 p. 2012. MICHEL, K., TERHOEVEN-URSELMANS, T., NITSCHKE, R., STEFFAN, P., LUDWIG, B. Use of nearand mid-infrared spectroscopy to distinguish carbon and nitrogen originating from char and forest-floor material in soils. J. Plant Nutr. Soil Sci. 172, 63–70.2009. MINASNY, B; TRANTER, G.; MCBRATNEY, A.B.; BROUGH, D.M.; MURPHY,B.W. Regional transferability of mid-infrared diffuse reflectance spectroscopic prediction for soil chemical properties. Geoderma, [s.l.], v. 153, n. 1-2, p.155-162, out. 2009. 164 MOHAMED, E.S.; SALEH, A.M.; BELAL, ABD_ALLAH GAD, A.B. Application of near-infrared reflectance for quantitative assessment of soil properties. The Egyptian Journal Of Remote Sensing And Space Science, [s.l.], p.1-14, fev. 2017. MORAES, E.C. De. Fundamentos do sensoriamento remoto.Ministério da Ciência e Tecnologia. Instituto Nacional de Pesquisas Espaciais-INPE . INPE 8984-PUD/62. São José dos Campos. 22 p. 2002. MORÓN, A. & COZZOLINO, D. Exploring the use of near infrared reflectance spectroscopy to study physical properties and microelements in soils. Journal of Near Infrared Spectroscopy, 11, 145-154.2003. MOUAZEN, A.M., KUANG, B., DE BAERDEMAEKER, J., RAMON, H. Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy ofmeasurement of selected soil properties with visible and near infrared spectroscopy. Geoderma 158, 23–31.2010. NAWARA, S.; BUDDENBAUM, H.; HILL, J.; KOZAK, J.; MOUAZEN, A.M. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy, Soil Tillage Res. 155. 510–522. 2016. NDUWAMUNGU, C., ZIADI, N., PARENT, L.-É., TREMBLAY, G.F. Mehlich 3 extractable nutrientes as determined by near-infrared reflectance spectroscopy. Can. J. Soil Sci. 89, 579–587.2009. NIEDERBERGER, J., TODT, B., BOČA, A., NITSCHKE, R., KOHLER, M., KÜHN, P., BAUHUS, J. Use of near-infrared spectroscopy to assess phosphorus fractions of different plant availability in forest soils. Biogeosciences 12, 3415–3428.2015. NOVO, E. M. L. de M. Sensoriamento Remoto: Princípios e Aplicações. Editora Edgar Blücher ltda. São José dos Campos, 1989. 308p. REEVES III, J.B. Near-versus mid-infrared diffuse reflectance spectroscopy for soil analysis emphasizing carbon and laboratory versus on-site analysis: where are we and what needs to be done? Geoderma 158, 3–14.2010. REEVES III, J.B., FOLLETT, R.F., McCARTY, G.W., KIMBLE, J.M. Can near ormid-infrared diffuse reflectance spectroscopy be used to determine soil carbon pools? Commun. Soil Sci. Plant Anal. 37, 2307–2325. 2006. REEVES, J. B.; SMITH, D. B. The potential of mid- and near-infrared diffuse reflectance spectroscopy for determining major- and trace-element concentrations in soils from a geochemical survey of North America. Applied Geochemistry, [s.l.], v. 24, n. 8, p.1472-1481, ago. 2009. REEVES, J., McCARTY, G., MIMMO, T. The potential of diffuse reflectance spectroscopy for the determination of carbon inventories in soils. Environmental Pollution 116, 277–284.2002. 165 REEVES, JAMES B.. Near- versus mid-infrared diffuse reflectance spectroscopy for soil analysis emphasizing carbon and laboratory versus on-site analysis: Where are we and what needs to be done?. Geoderma, [s.l.], v. 158, n. 1-2, p.3-14, ago. 2010. SAVITZKY, A., GOLAY, M.J.E. Smoothing and differentiation of data by simplified least square procedure. Analytical Chemistry 36, 1627–1639.1964. SEBEM, E . Colégio Politécnico da Universidade Federal de santa Maria-UFSM. Notas de aula. 2017b. Disponível em:< http://200.132.36.199/elodio/downloads/sr/SR_Aula_08_Solos.pdf> Acesso em: Mar, 2017. SEBEM, E. Colégio Politécnico da Universidade Federal de santa Maria-UFSM. Notas de aula. 2017. Disponível em:< http://200.132.36.199/elodio/downloads/sr/SR_Aula_05.pdf> Acesso em: Mar, 2017. SHEPHERD, K.D.,WALSH, M.G. Development of reflectance spectral libraries for characterization of soil properties. Soil Sci. Soc. Am. J. 66, 988–998.2002. SILVA, E.B., TEN CATEN, A. Estimating Soil Texture from a Limited Region of the Visible/Near-Infrared Spectrum. Digital Soil Morphometr., 73–87.2016. SORIANO-DISLA, J. M; JANIK, L.J; VISCARRA ROSSEL,R.A; MacDONALD, L.M; McLAUGHLIN, M.J. The Performance of Visible, Near-, and Mid-Infrared Reflectance Spectroscopy for Prediction of Soil Physical, Chemical, and Biological Properties. Applied Spectroscopy Reviews, [s.l.], v. 49, n. 2, p.139-186, 12 ago. 2013. STEINER, F.; PIVETTA, L.A.; CASTOLDI, G.; COSTA, M.S.S.DE M.; COSTA; L.A. de M. Carbono orgânico e carbono residual do solo em sistema de plantio direto, submetido a diferentes manejos. Revista Brasileira de Ciências Agrárias - Brazilian Journal Of Agricultural Sciences, [s.l.], v. 6, n. 3, p.401-408, 19 set. 2011. STONER, E.R.; BAUMGARDNER, M.F. Data acquisition through remote sensing. In: BEATTY, M.T. et al. Planning the uses and management of land. Madison : Soil Science Society of America, 1979. p.159-185. SUMMERS, D.; LEWIS, M.; OSTENDORF, B.; CHITTLEBOROUGH, D. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties. Ecological Indicators, [s.l.], v. 11, n. 1, p.123-131, jan. 2011. TERRA, F. da S. Espectroscopia de reflectância do visível ao infravermelho médio aplicada aos estudos qualitativos e quantitativos de solos. (Tese de doutorado). Piracicaba, 2001, 374 p. Escola Superior de Agricultura Luiz de Queiroz-ESALQ. UNICAMP. Universidade Estadual de Campinas. Instituto de Geociências. Princípios Básicos da Espectrometria. Disponível em< http://www.ige.unicamp.br/espectrobauxita/espectroscopia.html> Acesso em: Maio, 2017. VAN GROENIGEN, J.W.,MUTTERS, C.S., HORWATH,W.R., VAN KESSEL, C. NIR and DRIFT-MIR spectrometry of soils for predicting soil and crop parameters in a flooded field. Plant Soil 250, 155–165.2003. 166 VASQUES, G.M., GRUNWALD, S., SICKMAN, J.O. Comparison of multivariate methods for inferentialmodeling of soil carbon using visible/near-infrared spectra. Geoderma 146 (1–2), 14–25.2008. VISCARRA ROSSEL R.A.,T; WALVOORT, D.J.J., MCBRATNEY, A.B.; JANIK, L.J.; SKJEMSTA, J.O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, [s.l.], v. 131, n. 1-2, p.59-75, mar. 2006. VISCARRA ROSSEL, R.A., BEHRENS, T. Using data mining to model and interpret soil diffuse reflectance spectra. Geoderma 158 (1–2), 46–54.2010. VISCARRA ROSSEL, R.A., HICKS, W.S. Soil carbon and its fractions estimated by visiblenear infrared transfer functions. Eur. J. Soil Res. 66, 438–450.2015. VISCARRA ROSSEL, R.A., WALVOORT, D.J.J., McBRATNEY, A.B., JANIK, L.J., SKJEMSTAD, J.O.Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma 131 (1–2), 59–75.2006. VISCARRA ROSSEL, R.A., WEBSTER, R. Predicting soil properties from the Australian soil visibleenear infrared spectroscopic database. Eur. J. Soil Sci. 63, 848-860.2012. VISCARRA ROSSEL, R.A.; McBRATNEY A.B. Laboratory evaluation of a proximal sensing technique for simultaneous measurement of clay and water content, Geoderma. 85. p.19–39.1998. VOHLAND, M. ; M. LUDWIG ; S. THIELE-BRUHNB; LUDWIG, B. Determination of soil properties with visible to near- and mid-infrared spectroscopy: Effects of spectral variable selection. Geoderma, [s.l.], v. 223-225, p.88-96, jul. 2014. VOHLAND, M., BESOLD, J., HILL, J., FRÜND, H.-C. Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy. Geoderma 166 (1), 198–255.2011. WALKLEY, A., BLACK, I.A. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method. Soil Science 37, 29–38. 1934. WILLIAMS, P.C. Variables affecting near-infrared reflectance spectroscopic analysis. In: WILLIAMS, P.C.; NORRIS, K. (Ed). Near infrared technology in agriculture and food industries. St Paul: American Association of Cereal Chemists, 1987. Cap 7. p. 143-167. XIAOTING, P., TIEZHU, S., AIHONG, S., YIYUN, C., WENXIU, G. Estimating soil organic carbon using VIS/NIR spectroscopy with SVMR and SPA methods. Remote Sens. 6, 2699–2717.2014. YANG, X.M., XIE, H.T., DRURY, C.F., REYNOLDS,W.D., YANG, J.Y., ZHANG, X.D. Determination of organic carbon and nitrogen in particulate organic matter and 167 particle size fractions of Brookston clay loam soil using infrared spectroscopy. Eur. J. Soil Sci. 63.177–188.2012. ZIMMERMANN, M., LEIFELD, J., FURHRER, J. Quantification of soil organic carbon fractions by infrared spectroscopy. Soil Biol. Bichem. 39, 224–231.2007 ABDEL-HALEEM, A.S.; SCROON, A.; EL-BAHI, S.M.; ZOHNY, E. Heavy metals and rare earth elements in phosphate fertilizer components using instrumental neutron activation analysis. Applied Radiation and Isotopes, v.55, p.569-573, 2001. 191 ABREU, C. A. DE; LOPES, S.L.; SANTOS, G. Micronutrientes. In: NOVAIS, R. F.; ALVAREZ V.. V. H.; Barros, N.F.; Fontes, R.L.F.; Cantarutti, R.B.; Neves, J.C. (Ed.) Fertilidade do Solo. Viçosa. Sociedade Brasileira de Ciência do Solo. v. 1, p.645-736, 2007. ADAMS, J. A. S.; GASPARINI, P. Gamma-ray spectrometry of rocks. 1 ed. New York: Elsevier, 1970. ADAMS, J. A. S.; GASPARINI, P. Gamma-ray spectrometry of rocks. 1 ed. New York: Elsevier, 280 p., 1970. ALLOWAY, B.J. Heavy metals in soils. 2 ed. London: Blackie Academic. 368 p. 1995. AMORIM, M.C. DE C.T.;MONTEIRO,A. As temperaturas intraurbanas: exemplos do Brasil e de Portugal , Confins [Online], v.13, 2011. Disponível em < http://confins.revues.org/7284 > Acesso em Maio, 2016. BARBOSA, J.S.F. & FONTEILLES, M. Caracterização dos protólitos da região granulítica do sul da Bahia. Rev.Bras.Geoc., v.19, p.3-12. 1989. BEA, F. Residence of REE, Y, Th and U in granites and crustal protoliths; implications for the chemistry of crustal melts. Journal of Petrology. v. 37, p.521-552, 1996. BECEGATO VA, FERREIRA FJF. Gamaespectrometria, resistividade elétrica e susceptibilidade magnética de solos agrícolas no nordeste do estado do Paraná. Rev Bras de Geofísica. 2005; 23: 371-405. BECEGATO, V.A; FERREIRA, F.J.F. Gamaespectrometria, resistividade elétrica e susceptibilidade magnética de solos agrícolas no nordeste do estado do Paraná. Rev Bras de Geofísica. v.23, p. 371-405, 2005. BÖGUEL NETO, G. Análise da Confiabilidade do ensaio de identificação de ligas através de espectrometria por fluorescência de Raios X. Trabalho de conclusão de curso. Guaratinguetá: Universidade Estadual Paulista. 50 p., 2012. BONOTTO D.M. Radioatividade nas águas: da Inglaterra ao Guarani.1nd Ed. São Paulo: Editora UNESP; 2004. CAMPOS, M.L; SILVA, F.N. DA; FURTINI NETO, A.E.; GUILHERME, L.R.G.; MARQUES, J.J.; ANTUNES, A.S. Determinação de cádmio, cobre, cromo, níquel, chumbo e zinco em fosfatos de rocha. Pesq. agropec. bras., Brasília, v.40, n.4, p.361-367,2005. DECHEN, A. R. E NACHTIGALL, G.R. Elementos requeridos à nutrição de plantas. In: ALVAREZ V.. V. H.; BARROS, N.F.; FONTES, R.L.F.; CANTARUTTI, R.B.; NEVES, J.C. (Ed.) Fertilidade do Solo. Viçosa. Sociedade Brasileira de Ciência do Solo. v. 1, p.92-132, 2007. Dickson BL e Scott KM. Interpretation of aerial gamma-ray surveys – adding the geochemical factors. AGSO Journal of Australian Geology & Geophysics. 1997; 17: 187–200 DICKSON, B.L.; E SCOTT, K.M. Interpretation of aerial gamma-ray surveys – adding the geochemical factors. AGSO Journal of Australian Geology & Geophysics. v.17, p. 187–200,1997. 192 FERREIRA, F.J.F.; CANDIDO, A.G; ROSTIROLLA, S.P. Correlação gamaesctrométrica de afloramentos e poços: Estudo de caso na formação Ponta Grossa (Bacia do Paraná, Brasil). v.28, p. 371-396, 2010. FISCHER, R.P. Vanadium Resources in Titaniferous Magnetite Deposits. Geological survey professional paper 926-B. U.S. Government Printing Office. v. 18; p.677-340, 1975. GALLO, K.; XIAN, G. Application of Spatially Gridded Temperature and Land Cover Data Sets For Urban Heat Island Analysis. Urban Climate, v. 8, n. 1, p. 1-10, 2014. HAVLIN, J..L.; BEATON, J.D.; TISDALE, S.L.; NELSON, W.L. Soil fertility and fertilizers: An introduction to nutrient management. 6 ed. New Jersey, Prentice Hall, 499 p. 1999. IBGE - EMBRAPA - Mapa de Solos do Brasil. Rio de Janeiro: IBGE, 2001. JENSEN, J. R. Introductory Digital Image Processing: A Remote Sensing Perspective. Englewood Cliffs, New Jersey: Prentice-Hall, 318 p., 1996. JOHNSON, RA & WICHERN, DW Aplicada análise estatística multivariada. 5 ed. New Jersey, Prentice Hall, 767 p. , 2002. KABATA-PENDIAS, A,; PENDIAS, H. Trace elements in soil and plants. 3 ed. Boca Raton:CRC Press, 331 p. , 2001. KAISER, H. F. The application of electronic computers to factor analysis. Educational and Psychological Measurement, v 20, p 141-151, 1960. KAMPF, N.; CURI, N. Óxidos de ferro: indicadores de atributos de ambientes pedogenéticos e geoquímicos. In: NOVAIS, R. F.; ALVAREZ V.. V. H.; SCHAEFER, C. E. R. (Ed.) Tópicos em Ciência do Solo. Viçosa. Sociedade Brasileira de Ciência do Solo. v. 1, p.107-138, 2000. KRAUSKOF, K. B. Geochemistry of micronutients. In Micronutrients in agriculture (J.J. Mortvedt, P.M. Giordano & W.L Lindsay, eds.). Soil Science Society of America, Madison. p.7-40. 1972. KRAUSKOF, K. B. Introduction to geochemistry. New York: McGraw-Hill, 1967. LANDIS, J. R. & KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, v. 33, p. 159-174, 1997. LOPEZ-PAZ, D.; HENNIG, P; SCHOLKOPF, B. The Randomized Dependence Coefficient. 2013. Disponível em < https://papers.nips.cc/paper/5138-the-randomized-dependence-coefficient.pdf>; Acesso em Fev, 2016. MINTY BRS. Fundamentals of airborne gamma-ray spectrometry. AGSO Journal of Australian Geology & Geophysics. v. 17, p. 39-50, 1997. OLIVEIRA, D.P. de. Gênese de Cambissolos desenvolvidos de rocha calcária na Chapada do Apodi – CE. Dissertação (mestrado) – Universidade Federal do Ceará-UFC, Fortaleza, 103 p. 2012. PFISTER H, PHILIPP G & PAUL YH. Population dose from natural radionuclides in phosphate fertilizers. Radiation and Environmental Biophysics. v.13, p.247-261,1976. 193 PINHO I.C.A. Os tonalitos/trondhjemitos das regiões de Ipiaú- Ubaitaba-Ibicaraí-Itabuna, Bahia. Dissertação de Mestrado. Instituto de Geociências, Universidade Federal da Bahia, Bahia, 193 p. 2000. PINHO, I.C.DE A.; BARBOSA, J.S.F.; LEITE, C.M.M. Petrografia e litogeoquímica dos metatonalitos e seus enclaves de granulitos básicos da parte sul do Cinturão Itabuna - Salvador-Curaçá, Bahia.. Revista Brasileira de Geociências . 33(2):189-200, junho de 2003. PINHO,I.C.A. Geologia dos Metatonalitos/Metatrondjemitos e granulitos básicos das regiões de Camamu-Ubaitaba-Itabuna,Bahia. Tese (Doutorado). Salvador: Universidade Federal da Bahia, 176 p., 2005. POTTS P; WEST, M. Portable X-ray Fluorescence Spectrometry: Capabilities for In Situ Analysis. 1 ed. Cambridge: RSCPublishing, 2008. QUEIRÓS, I.B. Contribuição da fluorescência de Raios-X na avaliação e modelação de Georrecursos. Dissertação (Mestrado). Porto: Instituto Superior de Engenharia do Porto; 2011. REIS, D. A. dos. Estudo ambiental sobre a bacia hidrográfica do Rio Matipó. Dissertação (Mestrado). Universidade Federal de Ouro Preto-UFOP. Ouro Preto. 171 p. , 2015. RIGHI S, BETTI M, BRUZZI L & MAZZOTTI G. Monitoring of natural radioactivity in working places. Microchemical Journal. v. 67, p. 119–126 . 2000. SANTOS ACL, MENEZES PTL, NASCIMENTO CTC. Gamaespectrometria aplicada em solo agrícola no noroeste do estado do Rio de Janeiro. Rev Bras de Geofísica. v. 26, p. 181-194. 2008. SANTOS, A. L.C.; SANTOS, F. Mapeamento das classes de uso e cobertura do solo da bacia hidrográfica do rio Vaza-Barris, Sergipe. Revista Multidisciplinar da Uniesp: Saber Acadêmico. v. 10, p. 57-67, 2010. SANTOS, G.C.G. dos. Comportamento de B, Zn, Cu, Mn, PB em solo contaminado sob cultivo de plantas e adição de fontes de matéria orgânica como amenizantes do efeito tóxico. Tese (Doutorado). Escola Superior de Agricultura Luiz de Queiróz- ESALQ. Piracicaba. 2005. SAPUCAIA, N.S; ARGOLLO, R.M; BARBOSA, J.S.F. Teores de potássio, uranio, tório e taxa de produção de calor radiogênico no embasamento adjacente` as bacias sedimentares de Camamu e Almada, Bahia, Brasil. Revista Brasileira de Geofísica. v. 23, p. 453-47, 2005. SILVA S.M.P, CROSTA A.P, FERREIRA H.B, SILVA A.M, SILVA M.R.R. Identificação gamaespectrometrica de placeres rutilo-monazíticos neoproterozóicos no sul da faixa Seridó, nordeste do Brasil. Rev Bras de Geofísica. v. 28, p.61-77, 2010. SILVA, S. DE A.; LIMA, J.S DE. Multivariate analysis and Geostatistics of the fertility of a humic rhodic hapludox under coffee cultivation. R. Bras. Ci. Solo. v.36, p.467-474, 2012. SILVA; L.C.; CUNHA, J.M.; MACHADO, N.G.; CAMPOS, M.C.C.; BIUDES, M.S. Estimativa do balanço de radiação por sensoriamento remoto de diferentes usos de solo no sudoeste da Amazônia brasileira. Sociedade & Natureza (UFU. Online), v. 27, p. 341-356, 2015. 194 SOBRINO, J. A.; JIMÉNEZ-MUÑOZ, J.C. Minimum configuration of thermal infrared bands for land surface temperature and emissivity estimation in the context of potential future missions. Remote Sensing of Environment . v. 148, p. 158-167, 2014. SOUSA E FERREIRA JUNIOR. Relação entre temperatura de superfície terrestre, índices espectrais e classes de cobertura da terra no município de Goiânia (GO). Raega: O espaço geográfico em análise. v. 26, p 75-79, 2012. SOUZA, J. F. DE; SILVA, R. M.; SILVA, A. M. Influência do uso e ocupação do solo na temperatura da superfície: o estudo de caso de João Pessoa – PB. Ambiente Construído, Porto Alegre, v. 16, n. 1, p. 21-37, 2016. STRECK, E.V.; KÄMPF, N.; DALMOLIN, R.S.D.; KLAMT, E.; NASCIMENTO, P.C.; SCHNEIDER, P.; GIASSON, E. & PINTO, L.F.S. Solos do Rio Grande do Sul. 2.ed. Porto Alegre, Universidade federal do Rio Grande do Sul. 222p. 2008. SUAREZ, D.L.; LANGMUIR, D. Heavy metal relationships in a Pennsylvania soil. Geochim. Cosmochim. Acta, v. 40, p. 589-598, 1976. TAYLOR, P.R; SHUEY, S A; VIDAL, E E; GOMEZ, J C. Extractive Metallurgy of Vanadium-Containing Titaniferous Magnetite Ores: a Review. Redorbit. 2006. Disponínel em < http://www.redorbit.com/news/entertainment/528669/extractive_metallurgy_of_vanadiumcontaining_titaniferous_magnetite_ores_a_review/#g3qDoX9JpcoXwJkO.99 > Acesso em Mai, 2016. ULBRICH, H.H.G.J.; ULBRICH, M.N.C.; FERREIRA, F.J.F; ALVES, L.S., GUIMARÃES, G.B., FRUCHTING, A. Levantamentos Gamaespectrométricos em Granitos Diferenciados. I: Revisão da Metodologia e do Comportamento Geoquímico dos Elementos K, Th e U. Geol. USP Sér. Cient. v. 9, p.33-53, 2009. WEDEPOHL K. H. Handbook of Geochemistry. Springer Verlag, Berlin, Heidelberg, v. II. 1978. WEIJDEN CH & WEIJDEN RD. Mobility of major, minor and some redox-sensitive trace elements and rare-earth elements during weathering of four granitoids in central Portugal. Chemical Geology. v. 125, p.149–167, 1995 WILFORD JR., BIERWIRTH PN.; CRAIG MA. Application of airborne gamma-ray spectrometry in soil/regolith mapping and applied geomorphology. AGSO Journal of Australian Geology and Geophysics. v. 2, p. 201-216, 1997. YOUNG, A.F. Aplicação de índices relativos de vegetação e temperatura para estudo das mudanças do uso e ocupação do solo: estudo de caso de Curitiba (PR), 1986 A 2002. Tese (Doutorado). Universidade Estadual De Campinas-UNICAMP. 112p. 2005. ALVES, Marcelo Eduardo; MASCARENHAS, Yvonne Primerano; VAZ, Carlos Manoel Pedro. Comparação de procedimentos de quantificação de caulinita e gibbsita na fração argila desferrificada de Latossolos. Revista Brasileira de Ciência do Solo, [s.l.], v. 32, n. 2, p.569-577, abr. 2008. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0100-06832008000200012. BASHAGALUKE JANVIER; NSHOBOLE NICOLE; FATAKI DIDIER, MOCHOGE BENSON, MUGWE JAYNE, WALANGULULU JEAN. Application of infrared technique in soil properties characterization in South Kivu province of DR Congo. African Journal of Food Science and Technology.Vol. 6(2) pp. 58-67, Feb 2015. CAMARGO, O.A.; MONIZ, A.C.; JORGE, J.A. & VALADARES, J.M.A.S. Métodos de análises química, mineralógica e física de solos do Instituto Agronômico de Campinas. Campinas, Instituto Agronômico de Campinas, 1986. 94p. (Boletim Técnico, 106) COSTA, SAD da. Caracterização química, física, mineralógica e classificação de solos ricos em ferro do Quadrilátero Ferrífero. [Dissertação]. Universidade Federal de Viçosa-UFV. Viçosa/MG. 83 p. 2003. CHAKRABORTY, S; MAN T.; PAULETTE L.; DEB S.; LI B.;WEINDORF D.C.; FRAZIER M. Rapid assessment of smelter/mining soil contamination via portable X-ray fluorescence spectrometry and indicator kriging. Geoderma, [s.l.], v. 306, p.108-119, nov. 2017. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2017.07.003. EMBRAPA – CENTRO NACIONAL DE PESQUISA DE SOLO. Manual de Métodos de Análise de Solo. 2ed. Rio de Janeiro, RJ: EMBRAPA Solos, 230p. - Documentos/Embrapa Solos, ISSN 1517-2627:132, 2011. EMBRAPA. EMBRAPA. Sistema Brasileiro de Classificação de Solos. 3ed. Brasília, DF: EMBRAPA Informação Tecnológica, 353p, 2013. FALCÃO, M.F.G. Fatores Geológicos e Características de Intemperismo Condicionantes das Propriedades Mecânicas de Solos Residuais. Dissertação de Mestrado, DEC, PUC-Rio, RJ, 1984. 131p. FELICZAKI, RAFAEL MATEUS; MELQUIADES, FABIO LUIZ. Simulação de fluorescência de raios x em amostras de solo com influência de umidade. Revista Brasileira de Física Tecnológica Aplicada, [s.l.], v. 1, n. 1, p.1-8, 1 maio 2014. Universidade Tecnologica Federal do Parana (UTFPR). http://dx.doi.org/10.3895/s2358-00892014000100001. KANIU, M.I.; ANGEYO, K.H.. Challenges in rapid soil quality assessment and opportunities presented by multivariate chemometric energy dispersive X-ray fluorescence and scattering spectroscopy. Geoderma, [s.l.], v. 241-242, p.32-40, mar. 2015. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2014.10.014. KANIU, M.I.; ANGEYO K.H.; MWALA; A.K.; MANGALA M.J. Direct rapid analysis of trace bioavailable soil macronutrients by chemometrics-assisted energy dispersive X-ray 206 fluorescence and scattering spectrometry. Analytica Chimica Acta, [s.l.], v. 729, p.21-25, jun. 2012. Elsevier BV. http://dx.doi.org/10.1016/j.aca.2012.04.007. KER, JC. Latossolos do Brasil: Uma revisão. Geonomos, v.5, n. 1, p.17-40, 1997. MARQUES, FA; RIBEIRO MR; BITTAR SMB; LIMA NETO J de A; LIMA JFWF. Caracterização e classificação de Cambissolos do arquipélago de Fernando de Noronha, Pernambuco. Revista Brasileira de Ciência do Solo, [s.l.], v. 31, n. 5, p.1023-1034, out. 2007. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0100-06832007000500019. MELO V. F. et al. Reserva mineral e caracterização mineralógica de alguns solos do Rio Grande do Sul. Revista Brasileira de Ciência do Solo, Viçosa, v.19, p. 159-164, 1995. NAGATA, N; BUENO, M.I.M.S; E PERALTA-ZAMORA, P.G. Métodos matemáticos para correção de interferências espectrais e efeitos interelementos na análise quantitativa por fluorescência de raios-X Quim. Nova, Vol. 24, No. 4, 531-539, 2001. OLIVEIRA, E.P. Caracterização bio-físico-químico-mineralógica e micromorfológica de um perfil de alteração de granitognaisse de Curitiba, PR. MS Dissertation. Departamento de Engenharia Civil, Pontifícia Universidade Católica, 197 p. 2006. REATTO, A., FONTES, M. P. F.; ALVAREZ V, V. H.; RESENDE, M.; KER, J. C.; COSTA. L. M. Caracterização mineralógica, potencial de reserva e sustentabilidade agrícola de alguns sítios florestais de eucalipto da região do Vale do Rio Doce (MG). R. Bras. Ci. Solo, 22:255-266, 1998. RESENDE, M. & SANTANA, D.P. Uso das relações Ki e Kr na estimativa da mineralogia para a classificação dos Latossolos. In: REUNIÃO DE CLASSIFICAÇÃO, CORRELAÇÃO DE SOLOS E INTERPRETAÇÃO DE APTIDÃO AGRÍCOLA, 3., Rio de Janeiro, 1988. Anais. Rio de Janeiro, Embrapa – SNLCS, SBCS, 1988. p.225- 232. ROLIM NETO, Fernando Cartaxo et al. Topolitossequências de solos do Alto Paranaíba: atributos físicos, químicos e mineralógicos. Revista Brasileira de Ciência do Solo, [s.l.], v. 33, n. 6, p.1795-1809, dez. 2009. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0100-06832009000600028. SANTOS, A do C; PEREIRA MG; ANJOS LHC dos; BERNINI T de A; COOPER M; NUMMER AR; FRANCELINO MR. Gênese e classificação de solos numa topossequência no ambiente de mar de morros do médio Vale do Paraíba do Sul, RJ. Revista Brasileira de Ciência do Solo, [s.l.], v. 34, n. 4, p.1297-1314, ago. 2010. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0100-06832010000400027. TIGHE, M; ROGAN G.; WILSON S.C.; GRAVE P.; KEALHOFER L.; YUKONGDI P. The potential for portable X-ray fluorescence determination of soil copper at ancient metallurgy sites, and considerations beyond measurements of total concentrations. Journal Of Environmental Management, [s.l.], v. 206, p.373-382, jan. 2018. Elsevier BV. http://dx.doi.org/10.1016/j.jenvman.2017.10.052. VIEIRA, L.S. Manual de Ciência do Solo. 1ed, São Paulo, Editora Agronômica Ceres, 1975. WASTOWSKI ARCI DIRCEU, ROSA GENESIO MARIO DA, CHERUBIN MAURÍCIO ROBERTO; RIGON JOÃO PAULO GONSIORKIEWICZ. Caracterização dos níveis de 207 elementos químicos em solo, submetido a diferentes sistemas de uso e manejo, utilizando espectrometria de fluorescência de raios-x por energia dispersiva (EDXRF). Quim. Nova, Vol. 33, No. 7, 1449-1452, 2010. WEINDORF, DAVID C; ZHU YUANDA; MCDANIEL PAUL; VALERIO MITCHELL; LYNN LORENE; MICHAELSON GARY; CLARK MARK; PING CHIEN LU. Characterizing soils via portable x-ray fluorescence spectrometer: 2. Spodic and Albic horizons. Geoderma, [s.l.], v. 189-190, p.268-277, nov. 2012. Elsevier BV. http://dx.doi.org/10.1016/j.geoderma.2012.06.034.por
dc.subject.cnpqRecursos Florestais e Engenharia Florestalpor
dc.thumbnail.urlhttps://tede.ufrrj.br/retrieve/64938/2017%20-%20Patr%c3%adcia%20Morais%20da%20Matta%20Campbell.pdf.jpg*
dc.originais.urihttps://tede.ufrrj.br/jspui/handle/jspui/4609
dc.originais.provenanceSubmitted by Celso Magalhaes (celsomagalhaes@ufrrj.br) on 2021-05-06T12:25:14Z No. of bitstreams: 1 2017 - Patrícia Morais da Matta Campbell.pdf: 7658507 bytes, checksum: e991d91465a8229aa60a14a805328dd7 (MD5)eng
dc.originais.provenanceMade available in DSpace on 2021-05-06T12:25:14Z (GMT). No. of bitstreams: 1 2017 - Patrícia Morais da Matta Campbell.pdf: 7658507 bytes, checksum: e991d91465a8229aa60a14a805328dd7 (MD5) Previous issue date: 2017-12-07eng
Appears in Collections:Doutorado em Ciências Ambientais e Florestais

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 
2017 - Patrícia Morais da Matta Campbell.pdfPatrícia Morais da Matta Campbell7.48 MBAdobe PDFThumbnail
View/Open


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