Logo do repositório
 
Publicação

Soil Classification Resorting to Machine Learning Techniques

2019-11Dissertação de mestrado Acesso aberto
Ver registo simples
datacite.subject.fosEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informáticapt_PT
dc.contributor.advisorPires, João
dc.contributor.advisorMartins, Bruno
dc.contributor.authorDias, Didier Narciso
dc.date.accessioned2021-09-29T15:15:59Z
dc.date.available2021-09-29T15:15:59Z
dc.date.issued2019-11
dc.description.abstractSoil 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.pt_PT
dc.description.abstractA 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.pt_PT
dc.identifier.urihttp://hdl.handle.net/10362/125335
dc.language.isoengpt_PT
dc.relationTDC/CCI-CIF/32607/2017pt_PT
dc.relationInstituto de Engenharia de Sistemas e Computadores, Investigação e Desenvolvimento em Lisboa
dc.relationNOVA Laboratory for Computer Science and Informatics
dc.subjectSoil Classificationpt_PT
dc.subjectSoil Propertiespt_PT
dc.subjectEnsemble Learningpt_PT
dc.subjectNeural Networkspt_PT
dc.subjectGradient Tree Boostingpt_PT
dc.subjectRandom Forestspt_PT
dc.titleSoil Classification Resorting to Machine Learning Techniquespt_PT
dc.typemaster thesis
dspace.entity.typePublication
oaire.awardNumberUID/CEC/50021/2019
oaire.awardNumberUID/CEC/04516/2019
oaire.awardTitleInstituto de Engenharia de Sistemas e Computadores, Investigação e Desenvolvimento em Lisboa
oaire.awardTitleNOVA Laboratory for Computer Science and Informatics
oaire.awardURIinfo:eu-repo/grantAgreement/FCT/6817 - DCRRNI ID/UID%2FCEC%2F50021%2F2019/PT
oaire.awardURIinfo:eu-repo/grantAgreement/FCT/6817 - DCRRNI ID/UID%2FCEC%2F04516%2F2019/PT
oaire.fundingStream6817 - DCRRNI ID
oaire.fundingStream6817 - DCRRNI ID
project.funder.identifierhttp://doi.org/10.13039/501100001871
project.funder.identifierhttp://doi.org/10.13039/501100001871
project.funder.nameFundação para a Ciência e a Tecnologia
project.funder.nameFundação para a Ciência e a Tecnologia
rcaap.rightsopenAccesspt_PT
rcaap.typemasterThesispt_PT
relation.isProjectOfPublication96dcaf3f-cf89-40bc-9867-8bc6132f02f2
relation.isProjectOfPublication38770520-41ad-49eb-8462-7a23c33eda0b
relation.isProjectOfPublication.latestForDiscovery38770520-41ad-49eb-8462-7a23c33eda0b
thesis.degree.nameMaster of Science in Computer Science and Informatics Engineeringpt_PT

Ficheiros

Principais
A mostrar 1 - 1 de 1
Miniatura
Nome:
Dias_2019.pdf
Tamanho:
4.71 MB
Formato:
Adobe Portable Document Format
Ver/Abrir

Coleções

FCT: DI - Dissertações de Mestrado