A carregar...
Publicação
Soil Classification Resorting to Machine Learning Techniques
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.71 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Soil classification is the act of resuming the most relevant information about a soil
profile into a single class, from which we can infer a large amount of properties without
extensive knowledge of the subject. These classes then make the communication of soils,
and how they can best be used in areas such as agriculture and forestry, simpler and easier
to understand. Unfortunately soil classification is expensive and requires that specialists
perform varied experiments, to be able to precisely attribute a class to a soil profile.
This master’s thesis focuses on machine learning algorithms for soil classification
mainly based on its intrinsic attributes, in the Mexico region. The data set used contains
6 760 soil profiles, the 19 464 horizons that constitute them, as well as physical and
chemical properties, such as pH or organic content, belonging to those horizons.
Four data modelling methods were tested (i.e., standard depths, n first layers, thickness,
and area weighted thickness), as well as different values for a k-Nearest Neighbours
imputation. A comparison between state of the art machine learning algorithms was
also made, namely Random Forests, Gradient Tree Boosting, Deep Neural Networks and
Recurrent Neural Networks.
All of our modelling methods provided very similar results, when properly parametrised,
reaching Kappa values of 0.504 and an accuracy of 0.554, with the standard depths
method providing the most consistent results. The k parameter for the imputation showed
very little impact on the variation on the results. Gradient Tree Boosting was the algorithm
with the best overall results, closely followed by the Random Forests model. The
neuron based methods never achieved a Kappa score over 0.4, therefore providing substantially
worse results.
A classificação de solos é o ato de resumir a informação sobre um perfil do solo em uma única classe, da qual é possivel inferir várias propriedades, mesmo com a ausência de conhecimento sobre a área de estudo. Estas classes fazem a comunicação dos solos e de como estes podem ser usados, em áreas como a agricultura e silvicultura, mais simples de perceber. Infelizmente a classificação de solos é dispendiosa, demorada, e requer especialistas para realizar as experiências necessárias para classificar corretamente o solo em causa. A presente tese de mestrado focou-se na avaliação de algoritmos de aprendizagem automática para o problema de classificação de solos, baseada maioritariamente nos atributos intrínsecos destes, na região do México. Foi utilizada uma base de dados contendo 6 760 perfis de solos, os 19 464 horizontes que os constituem, e as propriedades químicas e físicas, como o pH e a percentagem de barro, pertencentes a esses horizontes. Quatro métodos de modelação de dados foram testados (standard depths, n first layers, thickness, e area weighted thickness), tal como diferentes valores para uma imputação baseada em k-Nearest Neighbours. Também foi realizada uma comparação entre algoritmos de aprendizagem automática, nomeadamente Random Forests, Gradient Tree Boosting, Deep Neural Networks e Recurrent Neural Networks. Todas as modelações de dados providenciaram resultados similares, quando propriamente parametrisados, atingindo valores de Kappa de 0.504 e accuracy de 0.554, sendo que o métdodo standard depths obteve uma performance mais consistente. O parâmetro k, referente ao método de imputação, revelou ter pouco impacto na variação dos resultados. O algoritmo Gradient Tree Boosting foi o que obteve melhores resultados, seguido de perto pelo modelo de Random Forests. Os métodos baseados em neurónios tiveram resultados substancialmente piores, nunca superando um valor de Kappa de 0.4.
A classificação de solos é o ato de resumir a informação sobre um perfil do solo em uma única classe, da qual é possivel inferir várias propriedades, mesmo com a ausência de conhecimento sobre a área de estudo. Estas classes fazem a comunicação dos solos e de como estes podem ser usados, em áreas como a agricultura e silvicultura, mais simples de perceber. Infelizmente a classificação de solos é dispendiosa, demorada, e requer especialistas para realizar as experiências necessárias para classificar corretamente o solo em causa. A presente tese de mestrado focou-se na avaliação de algoritmos de aprendizagem automática para o problema de classificação de solos, baseada maioritariamente nos atributos intrínsecos destes, na região do México. Foi utilizada uma base de dados contendo 6 760 perfis de solos, os 19 464 horizontes que os constituem, e as propriedades químicas e físicas, como o pH e a percentagem de barro, pertencentes a esses horizontes. Quatro métodos de modelação de dados foram testados (standard depths, n first layers, thickness, e area weighted thickness), tal como diferentes valores para uma imputação baseada em k-Nearest Neighbours. Também foi realizada uma comparação entre algoritmos de aprendizagem automática, nomeadamente Random Forests, Gradient Tree Boosting, Deep Neural Networks e Recurrent Neural Networks. Todas as modelações de dados providenciaram resultados similares, quando propriamente parametrisados, atingindo valores de Kappa de 0.504 e accuracy de 0.554, sendo que o métdodo standard depths obteve uma performance mais consistente. O parâmetro k, referente ao método de imputação, revelou ter pouco impacto na variação dos resultados. O algoritmo Gradient Tree Boosting foi o que obteve melhores resultados, seguido de perto pelo modelo de Random Forests. Os métodos baseados em neurónios tiveram resultados substancialmente piores, nunca superando um valor de Kappa de 0.4.
Descrição
Palavras-chave
Soil Classification Soil Properties Ensemble Learning Neural Networks Gradient Tree Boosting Random Forests