Mapeamento de Carbono do Solo

Prévia do material em texto

Mapeamento de carbono orgânico do solo em escala nacional baseado em aprendizagem profunda com
Dados do Sentinela-3
ABSTRATOINFORMAÇÕES DO ARTIGO
Geoderma
Disciplina de Geografia, Escola de Ciências Agrárias, da Terra e Ambientais, Universidade de KwaZulu-Natal, Private Bag X01, Scottsville, Pietermaritzburg 3209,
Carbono orgânico do solo
África do Sul
Sentinela-3
Palavras-chave:
Rede neural profunda
Sensoriamento remoto
Editor de manipulação: Budiman Minasny
Além disso, o SOC fornece informações valiosas sobre a fertilidade do solo, a capacidade 
de troca de aniões/cátions, a acumulação do solo, a degradação do solo, a capacidade 
de retenção de água e as alterações na disponibilidade de nutrientes que promovem o 
crescimento da vegetação (Wang et al., 2018) . No entanto, o mapeamento fiável do 
stock SOC continua a ser um grande desafio, geralmente devido a; (1) o número limitado 
de pontos de dados disponíveis, especialmente em escala de paisagem, (2) o tipo de 
informação auxiliar usada na simulação SOC, e (3) a potência e precisão das técnicas 
de interpolação ou algoritmo adotado (Phachomphon et al . , 2010; Angelopoulou et al., 
2019).
Os avanços na detecção remota (RS) anunciaram uma nova era de big data, onde 
os satélites de observação da Terra estão a ser lançados a um ritmo recorde, levando à 
disponibilidade de uma grande quantidade de conjuntos de dados diversos (Madi leng 
et al., 2020; Kumar e Mutanga , 2018; Odindi et al., 2016). Isto abriu uma alternativa 
adequada às estratégias de determinação do SOC em campo e em laboratório (Mngadi 
et al., 2020; Ben Hamida et al., 2018; Yang
página inicial da revista: www.elsevier.com/locate/geoderma
1. Introdução
Listas de conteúdos disponíveis em ScienceDirect
O aumento das emissões de carbono e os seus efeitos em diferentes ecossistemas 
têm atraído a atenção global (Wang et al., 2021). Os países membros do Painel 
Intergovernamental sobre Alterações Climáticas (IPCC) têm a tarefa de quantificar e 
monitorizar continuamente as emissões de carbono. Consequentemente, os reservatórios 
de carbono, incluindo o carbono orgânico do solo (SOC), estão a atrair cada vez mais 
interesse de investigação como forma de assimilar o carbono emitido e mitigar os 
impactos adversos associados (Odebiri et al., 2020b).
Sendo o maior reservatório terrestre de carbono, o SOC é responsável por cerca de 50% 
a 80% do armazenamento global de carbono e aproximadamente 2 e 3 vezes mais do 
que o conteúdo de carbono da atmosfera e da biosfera, respectivamente (Li et al., 2021; 
Sahoo et al . ., 2019). Como tal, uma pequena alteração nas reservas SOC pode afetar 
significativamente o ciclo global do carbono e as propriedades físicas, químicas e 
biológicas do solo (Lamichhane et al., 2019).
Omosalewa Odebiri Onísimo Mutanga, John Odindi,
Endereço de e-mail: odebsconstant@gmail.com (O. Odebiri).
https://doi.org/10.1016/j.geoderma.2022.115695 Recebido 
em 25 de setembro de 2021; Recebido em formato revisado em 29 de dezembro de 2021; Aceito em 4 de janeiro de 2022. 
Disponível online em 10 de janeiro de 2022.
0016-7061/© 2022 Elsevier BV Todos os direitos reservados.
O mapeamento do carbono orgânico do solo (SOC) a nível regional é fundamental para a política de alterações climáticas e para a 
mitigação dos seus efeitos adversos. No entanto, estimativas SOC confiáveis, particularmente em grande medida, continuam a ser um 
grande desafio devido, entre outros, aos pontos de amostragem limitados, à qualidade dos dados de simulação e ao algoritmo adotado. 
As estratégias de sensoriamento remoto (RS) surgiram como uma alternativa adequada para a determinação do SOC em campo e 
laboratório, especialmente em grande extensão espacial. O uso do sensor Sentinel-3, o mais recente da série Sentinel, é mínimo e 
não foi totalmente desenvolvido, apesar de seus impressionantes atributos que incluem alta resolução espectral-temporal e grande 
cobertura. Em comparação com os modelos de ML lineares e clássicos, os modelos de aprendizagem profunda (DL) oferecem uma 
melhoria considerável na análise de dados devido à sua capacidade de extrair características mais representativas e identificar padrões 
espaciais complexos associados a big data. No entanto, há escassez na literatura sobre a aplicação de estratégias de sensoriamento 
remoto baseadas em DL para previsão de SOC. Consequentemente, este estudo adotou uma rede neural profunda (DNN) para prever 
o SOC em escala nacional, usando a imagem Sentinel-3, e comparou os resultados com floresta aleatória (RF), máquina de vetores 
de suporte (SVM) e rede neural artificial (ANN) modelos. Os modelos foram treinados com base na validação cruzada de 10 vezes com 
1.936 amostras de solo e 31 preditores. O modelo DNN gerou o melhor resultado com um erro quadrático médio (RMSE) de 10,35 t/ha 
(26% da média), seguido por RF (RMSE = 11,2 t/ha), ANN (RMSE = 11,6 t/ha) e SVM (RMSE = 13,6 t/ha). A capacidade analítica da 
DNN, juntamente com a sua capacidade de lidar com big data, aprendendo padrões através de uma série de camadas ocultas (10) 
para tirar conclusões, confere-lhe uma vantagem sobre outros modelos clássicos de ML. O estudo concluiu que o modelo DNN com 
dados do Sentinel-3 é promissor e fornece uma estrutura eficaz para modelagem SOC contínua em nível nacional.
* Autor correspondente.
Geoderma 411 (2022) 115695
*
Machine Translated by Google
https://www.elsevier.com/locate/geoderma
www.sciencedirect.com/science/journal/00167061
mailto:odebsconstant@gmail.com
https://doi.org/10.1016/j.geoderma.2022.115695
https://doi.org/10.1016/j.geoderma.2022.115695
Geoderma 411 (2022) 115695
2
Figura 1. Localização da África do Sul mostrando os limites das nove províncias e a 
distribuição espacial das amostras de solo.
A Agência Espacial Europeia (ESA) é o mais recente da série Sentinel. É composto por 
quatro satélites multifuncionais (ou seja, 3A, 3B, 3C e 3D).
Este estudo foi realizado na África do Sul (Fig. 1), cobrindo uma área de 1.221.037 
quilómetros quadrados. O país está localizado numa zona de clima temperado delimitada 
pelos oceanos Índico e Atlântico, com a Namíbia a noroeste, Moçambique e Suazilândia a 
nordeste e leste, e Botswana e Zimbabué a norte e o cerco completo do Lesoto como países 
limítrofes (Departamento de Ambiente Assuntos, 2017). O país é composto por nove 
províncias, incluindo Cabo Norte, Cabo Ocidental, Cabo Oriental, Noroeste, Estado Livre, 
KwaZulu Natal, Gauteng, Mpumalanga e Limpopo. Com uma média de 8 a 10 horas de sol 
por dia, a África do Sul é um dos países mais ensolarados de África. A temperatura média 
diária no verão e no inverno é de cerca de 20 ÿC e 15 ÿC (Scott e Lesch, 1997). A maior 
parte do interior do país é um planalto relativamente plano com uma altitude entre 1.000 e 
2.100 m (Mzinyane et al., 2015). A sua precipitação média anual é de cerca de 464 mm, o 
que é considerado baixo em comparação com a média globalde 786 mm (Schulze e 
Schütte, 2020). As condições semidesérticas, áridas e semiáridas do país significam que o 
teor de carbono do solo é menor, em comparação com países com cobertura vegetal 
abundante (Schulze e Schütte, 2020).
2.1. Site de estudo
Recentemente, os modelos de aprendizagem profunda (DL) ganharam interesse na 
área de RS porque são bem adequados para lidar com big data e sua heterogeneidade 
associada (Zhang et al., 2019). DL é uma técnica de aprendizagem de representação que 
contém muitas camadas (entrada, oculta e saída) nas quais as informações são derivadas 
das camadas inferiores para as superiores por meio de módulos não lineares (Zhu et al., 
2019). A DL provou ser uma melhoria notável em relação aos modelos clássicos de ML e 
uma ferramenta excepcionalmente poderosa em muitos campos (Odebiri et al., 2021). Em 
contraste com os modelos clássicos de ML, os modelos DL são capazes de extrair 
automaticamente características invariantes e abstratas dos dados RS para melhorar a 
precisão. De acordo com Ho Tong Minh et al. (2018), as arquiteturas de EAD podem ajudar 
a melhorar os procedimentos de aprendizagem, especialmente quando as relações entre 
diferentes propriedades ambientais são complexas e não lineares. Além disso, os múltiplos 
hiperparâmetros inerentes incorporados aos modelos DL oferecem aos usuários a 
oportunidade de ajustar os procedimentos de aprendizagem para melhorar a precisão 
(Odebiri et al., 2021). Embora existam estas vantagens da DL, faltam pesquisas sobre a 
aplicação de estratégias de RS baseadas na DL para a previsão do SOC e a maioria dos 
estudos existentes são localizados com pouco impacto global, uma vez que a DL só foi 
introduzida recentemente (Odebiri et al., 2021; Padarian et al. , 2020a). Para este fim, 
aproveitar a abundância de dados RS e a capacidade analítica das arquitecturas DL poderia 
oferecer um grande potencial para estimativas rápidas, contínuas e fiáveis do SOC à escala 
nacional, informando assim as políticas climáticas nacionais e a gestão do solo.
Além disso, o SOC dentro e entre regiões exibe grande variabilidade devido à sua mistura 
complexa de componentes orgânicos e inorgânicos, portanto, os modelos clássicos de ML 
podem ser incapazes de prever com precisão o comportamento de um fenômeno tão 
complexo, especialmente em grandes escalas espaciais (Ma et al . , 2019; Padarian et al., 
2019; Kumar et al., 2016).
O Instrumento Sentinel-3 Ocean and Land Color (OLCI) do
2. Métodos e materiais
Vários modelos geoestatísticos e clássicos de ML foram investigados para vincular o SOC 
medido em campo às métricas de RS (Padarian et al., 2020a; Wang et al., 2021). Por 
exemplo, Phachomphon et al. (2010) utilizaram várias técnicas geoestatísticas para estimar 
o SOC no Laos, utilizando cokrigagem ordinária (OCK), produzindo uma precisão R2 = 
0,42. Da mesma forma, Zhang et al. (2021), usaram variáveis derivadas do Sentinel-2 e 
MODIS para examinar o desempenho da floresta aleatória (RF), da máquina de vetores de 
suporte (SVM) e da rede neural artificial (ANN) na previsão do SOC na planície de Songnen, 
no norte da China. O FR apresentou o menor RMSE (0,68%) e o maior R2 de todos os 
grupos (0,67). Embora estes modelos tenham fornecido precisões aceitáveis, também 
demonstraram ser limitados na sua capacidade de extrair elementos abstratos não lineares 
mais complicados, necessários para modelos preditivos melhorados (Wang et al., 2021; 
Wadoux et al., 2019).
Na maioria dos casos, modelos de aprendizagem profunda (DL) para mapeamento 
SOC são adotados por meio de imagens hiperespectrais (Odebiri et al., 2021). Por exemplo, 
uma revisão da literatura feita por Ma et al. (2019) mostraram que mais de 85% do 
mapeamento SOC baseado em DL existente é realizado usando dados hiperespectrais com 
uma resolução espacial média de 2 m. No entanto, os dados hiperespectrais continuam a 
ser caros, especialmente para aplicações com ampla cobertura, e são difíceis de obter em 
muitas regiões, incluindo África (Mutanga e Ismail, 2015). Sensores como a série Sentinel, 
disponíveis gratuitamente, são excelentes alternativas que ainda não foram totalmente 
exploradas com os modelos DL. Os sensores sentinela têm resoluções espaciais e 
espectrais relativamente altas, bem como bandas sensíveis ao SOC estrategicamente 
posicionadas (Odebiri et al., 2020a). Embora uma série de estudos DL tenham sido 
conduzidos com dados multiespectrais, como Sentinel-2 (Taghizadeh-Mehr jardi et al., 
2020) e Landsat 8 (Wu et al., 2019), há pouca ou nenhuma exploração dos últimos Dados 
do Sentinel-3 que são críticos para o mapeamento à escala nacional e regional (Zhou et al., 
2021).
Entre eles, o Sentinel 3A e 3B foram lançados em 16 de fevereiro de 2016 e 25 de abril de 
2018, respectivamente. Ao contrário do Sentinel-2, que possui 13 bandas espectrais 
variando de comprimentos de onda de 443 nm a 2190 nm e um ciclo de revisita de 5 dias, 
o Sentinel-3 tem melhor resolução espectral, com 21 bandas espectrais (400–1020 nm) e 
um tempo de revisita mais curto de menos de 2 dias (Li e Roy, 2017; Kokhanovsky et al., 
2019). Comparado com o Sentinel-2 (290 km), o Sentinel-3 tem uma largura de faixa mais 
ampla (1270 km), permitindo a captura de uma grande extensão espacial num viaduto. No 
entanto, o primeiro tem uma resolução espacial melhor (10 m) do que o último (300 m) e 
tem sido utilizado com sucesso como uma única fonte de dados para muitas tarefas de 
mapeamento SOC (Vaudour et al., 2019). Apesar das vantagens espectrais e temporais do 
Sentinel-3, ele ainda é novo e não tem sido amplamente utilizado para simular propriedades 
do solo, incluindo o SOC. Portanto, este estudo explorou uma abordagem DL para 
modelagem SOC em toda a África do Sul usando dados do Sentinel-3. Também foi feita 
uma comparação entre os resultados do método DL e os de outros modelos ML (RF, ANN 
e SVM) comumente utilizados no mapeamento digital de solos.
e outros, 2016). Além disso, Guo et al. (2020), observa que quando a relação entre os 
fatores tradicionais de formação do solo e as propriedades do solo é fraca ou insignificante, 
os dados relevantes do RS podem fornecer informações suplementares ricas para um 
mapeamento digital confiável do solo (DSM). Embora os benefícios mencionados acima 
dos dados RS para a modelagem SOC sejam empolgantes, sua natureza diversificada, 
juntamente com volumes muito grandes e sempre crescentes, exige técnicas analíticas 
rápidas e transferíveis para mineração de informações geoespaciais em grande escala, a 
fim de maximizar seu potencial ( Gupta e outros, 2018).
A principal morfologia dos solos do país é classificada localmente como lítica, cumúlica e 
oxídica; enquanto os principais usos da terra são formas variadas de agricultura que ocupam 
cerca de 79% (Venter et al., 2021).
O. Odebiri et al.
Machine Translated byGoogle
º
3
Geoderma 411 (2022) 115695
ÿN
2
+ bL) , 
bi ]L+1eu=1
eu=1
Z1 = ÿ1 ( W1 X + b1) , + b2) ZL = ÿL ( wLz Lÿ 1
1
tabela 1
Especificação espectral de dados do Sentinel-3.
Uma análise de regressão para recuperação de SOC foi realizada com base em 
uma estrutura de rede neural profunda (DNN). O desempenho da DNN foi então 
comparado com três algoritmos clássicos de aprendizado de máquina (ML) 
comumente usados no mapeamento digital do solo (ou seja, floresta aleatória -RF, 
máquina de vetores de suporte -SVM e rede neural artificial -ANN) (Odebiri et al., 
2021; Zhou et al., 2021; Zhou et al., 2021; Zhou et al . al., 2020). Como modelos não 
paramétricos, esses algoritmos (SVM, RF e RNA) têm sido amplamente utilizados 
na literatura para modelar relações não lineares entre SOC e vários preditores de 
covariáveis (Somarathna et al., 2017). Além disso, cada um dos modelos selecionados 
neste estudo contém hiperparâmetros em sua estrutura, que quando configurados 
corretamente, podem ter um efeito importante no desempenho do modelo (Chen et 
al., 2019). Portanto, conduzimos a otimização de hiperparâmetros usando uma 
técnica de pesquisa aleatória e uma validação cruzada de 10 vezes com uma divisão 
de treinamento/validação/teste para cada modelo para produzir o melhor resultado possível.
(1)
(2)
O ISRIC é uma fundação científica independente cuja missão é fornecer informações 
de alta qualidade sobre diferentes propriedades do solo (incluindo SOC) à escala 
global através da cooperação com diferentes países. O atual banco de dados de 
solos ISRIC foi atualizado pela última vez em 2020 (https://www.isric. org/) e contém 
mais de 150.000 pontos de amostragem em 173 países, recolhidos em diferentes 
momentos (Batjes et al., 2020). Uma vez que os métodos de determinação do teor 
de carbono SOC podem variar de país para país (Venter et al., 2021; Hengl et al., 
2017), o ISRIC implementou um procedimento padronizado para tornar os dados de 
entrada do perfil do solo uniformes e disponíveis para uso público (https ://
www.isric.org/explore/wosis/access ing-wosis-derived-datasets). Os pontos de 
amostragem que abrangem a África do Sul e o seu conteúdo SOC equivalente, 
juntamente com a densidade aparente, foram filtrados da base de dados ISRIC, além 
dos dados disponíveis obtidos do SAEES. O estoque de SOC em cada ponto foi 
determinado usando a fórmula: estoque de SOC (t/h) = concentração de SOC × 
densidade aparente × profundidade do solo (Pearson et al., 2007). No total, foram 
utilizados 1.936 pontos amostrais para a variável alvo na profundidade de 30 cm.
Os dados do solo foram obtidos de duas fontes; 1.736 pontos do Centro 
Internacional de Referência e Informação sobre Solos (ISRIC) e os restantes (200) 
do Departamento de Ciências Agrícolas, da Terra e Ambientais (SAEES), 
Universidade de KwaZulu-Natal, África do Sul.
S
Além disso, diferentes combinações de bandas das vinte e uma bandas 
espectrais do Sentinel-3 foram utilizadas para gerar índices de vegetação espectral 
relevantes utilizados neste estudo. A literatura tem demonstrado que os índices de 
vegetação podem ser usados para explicar a distribuição e a variabilidade do SOC 
(Wang et al., 2021; Odebiri et al., 2020b; Guo et al., 2020; Dotto et al., 2018). Dez 
índices de vegetação popularmente usados foram gerados juntamente com as 21 
bandas espectrais do Sentienl-3 como variáveis independentes para
usando o erro quadrático médio (MSE) representado como;
modelo SOC. A especificação e justificativa para a utilização desses índices estão 
resumidas na Tabela 2.
Os dados do Sentinel 3 OLCI (Tabela 1) baixados da Agência Espacial Europeia 
(ESA) entre março e abril de 2021, com menos de 10% de cobertura de nuvens, 
foram utilizados neste estudo. O Sentinel-3 é caracterizado por uma grande largura 
de faixa (1270 km), eliminando a necessidade demorada de numerosos downloads 
e ladrilhos para cobrir todo o país. Quatro blocos de imagens foram baixados para 
cobrir todo o país. Cada um desses blocos de imagens foi pré-processado para 
correção geométrica, radiométrica e atmosférica usando a Plataforma de Aplicação 
Sentinel (SNAP v. 6.0). O software ENVI 5.2 foi usado para fazer o mosaico das 
imagens pré-processadas em um único bloco e o shape-file do país foi usado para 
extrair seus limites.
= Wl+1 ZL + bL, ÿ = [ Wi ,
MSEDATA = L(ÿ) =
O uso de arquiteturas DNN em diferentes aplicações aumentou nos últimos anos, 
incluindo observação da Terra, reconhecimento de imagem, direção automatizada e 
reconhecimento de fala (Pudeÿko e Chodak, 2020; Dong et al., 2019; Novoa et al., 
2018). ;). Essencialmente, a DNN é um modelo aproximado eficaz e confiável que 
fornece informações sobre as relações complexas entre as variáveis alvo e 
explicativas (Wang et al., 2020). Entre as camadas de entrada, oculta e de saída há 
muitos neurônios, de modo que os neurônios de uma camada estão ligados aos 
neurônios da próxima camada até o neurônio final previsto (saída). DNN geralmente 
usa a arquitetura perceptron multicamadas (MLP), mas difere por suas muitas 
camadas ocultas incorporadas e hiperparâmetros (ver Tabela 3), o que lhe confere 
uma vantagem sobre outros modelos clássicos de ML (Taghizadeh-Mehrjardi et al., 
2020). No entanto, deve-se ter cuidado ao treinar o modelo para evitar overfitting (Liu 
et al., 2018). Nesses casos, uma técnica de regularização de dropout pode ser 
aplicada a cada uma das camadas ocultas, cujos neurônios são posteriormente 
calculados para previsão (Taghizadeh-Mehrjardi et al., 2020). Uma representação 
matemática simples de DNN para uma determinada camada de entrada (vetor X) 
com uma camada oculta L e uma camada de saída (vetor Y) pode ser representada 
da seguinte forma ( Wang et al., 2020);
Z2 = ÿ2 ( W2 z
2.2. Dados do solo
|NN(Xi; ÿ)ÿ Yi|
2.3. Aquisição de dados de imagem 2.4.1. Redes neurais profundas (DNN)
N
A função de perda L da variável de saída e entrada pode ser examinada
Onde N é a soma total dos dados rotulados e L é a função de perda que pode ser 
minimizada usando um algoritmo de otimização (Wang et al., 2020). A Figura 2 
mostra a representação esquemática da arquitetura DNN. Um total de 31 variáveis 
de entrada geradas a partir do Sentinel-3 OLCI foram utilizadas para construir o 
modelo neste estudo. O conjunto de dados completo foi dividido em dez partes 
iguais e usado para treinamento e teste em ordem sequencial. Para garantir que 
cada ponto de dados fosse utilizado como
2.4. Modelos analíticos
camada respectivamente. L 
+ 1 indica a camada de saída (ou seja, Y = N (X; ÿ)) e ÿi é a função de ativação que 
pode ser sigmóide, softmax, unidade linear retificada (ReLU), tangente hiperbólica 
(Tanh) entre outras.
1
A análise foi realizada utilizando a linguagem de programação python (versão 3.8) 
dentro do notebook jupyter. Uma breve descrição dos quatro algoritmosjuntamente 
com um resumo dos hiperparâmetros utilizados é apresentada na Tabela 3.
Onde Wi e bi são pesos e tendências do i
10
9
3
Banda Não.
7,5
2,5
16
40
665
10 
7,5
2061
4 
5
761,25
10 
10
707
865
15
13
305
6
10
940 203
15
Largura de banda
17
764.375
395 
308
10
1280
Comprimento de onda (nm)
400
330
673,75
785 
605
1811
490 
510
1
7
2,5
1020
10
14
745
560
SNR (na Lref)
18 
19
10
11
997
412,5
152
O. Odebiri et al.
20
812
10 
10
681,25
767,5
20
3,75
20
15
10
885 
900
7,5
2
8
232
620
708,25 
753,75
2188
21
883
778,75
442,5
12
666
1541 
1488
Machine Translated by Google
https://www.isric.org/
https://www.isric.org/
https://www.isric.org/explore/wosis/accessing-wosis-derived-datasets
https://www.isric.org/explore/wosis/accessing-wosis-derived-datasets
Huété (1988)
Richardson e
1–20
ÿ
Receptivo à vegetação e ao conteúdo de clorofila das plantas
SVM
Tamanho do nó
0,01–100
Razão de uso
B17
Vegetação de diferença renormalizada
Número de camadas ocultas
Número de árvores
Calcule a densidade da vegetação separando o solo da vegetação e reduza o 
impacto do terreno.
100–1000
ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ
B17- B8
Função de base radial
2,5 × 
(B17 + 6 × B8 - 7,5 × B6 + 1)
0,001–0,05
Fórmula
Baret e Guyot (1991)
Índice (RDVI)
Número de nós (neurônios) nas 
camadas ocultas
ANN
Ajusta o brilho do solo onde há menos vegetação presente
Vegetação Otimizada Ajustada ao Solo
Wiegand (1977)
uniforme/ele 
normal 
0,001–0,05
Vegetação de diferença normalizada
(B17 + B8)
3–20
Número de iterações de treinamento
Qi et al. (1994)
Roujean e Breon (1995)
Índice de Vegetação Diferencial (DVI)
Tentar
RBF
Número de iterações de treinamento
2
áreas
DNN
Número das variáveis de entrada
Índice (NDVI)
Índice de Vegetação Ajustado ao Solo (SAVI)
Deering (1975)
Ntree
Retifica áreas onde a superfície do solo está altamente exposta
Distingue entre solo e vegetação
B17- B8
Indica quantidade de vegetação
Camada oculta
0,01–100
Índice
(NDVI) ÿ + 0,5
100–500
Melhorar o sinal e a sensibilidade da vegetação em alta biomassa
usado
Regularização de abandono
O. Odebiri et al.
Referência
(B17- B8)
Ajuste os pesos da rede
10–100
ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ
RF
Índice (MSAVI)
(2B17 + 1)
B17- B6
C
Regulador de peso
Rouse et al. (1974)
/2
Épocas Neurônios caíram aleatoriamente 
durante o treinamento para 
reduzir o overfitting
Épocas
B17 + B8 + 0,5 (1 
+ 0,16)(B17 - B8)/(B17 + B8 + 0,16) Jamalabad e Abkar (2004)
Sensível e indicativo de vegetação
Pode se adaptar a maiores mudanças no solo
B17 + B6
1
Nós ou unidades na camada oculta
ÿ 8(B17 ÿ B8)
Huete et al. (1999)
Descrição do parâmetro
Diferença Normalizada Verde
Especificação de penalidade
Índice de Vegetação Aprimorado (EVI)
Hiperparâmetros do algoritmo
Inicialização de peso 
de rede
Índice de Vegetação Transformada (TVI)
Pesos inicializados das camadas 
da entrada à saída
2–10
Decair
B17 + B8 
B17 ÿ B8
Gitelson e Merzlyak (1998)
0,2–0,3
Tamanho do nó
Índice (OSAVI)
Especificação de largura de banda
Índice de Vegetação Razão (RVI)
Parâmetro como
Taxa de Aprendizagem
B17- B8
B8
Tamanho
(1 +0,5)
Lineariza a ligação entre o índice e os parâmetros biofísicos
100–1000
Tipo de kernel
Vegetação modificada ajustada ao solo 2B17 + 1-
Índice de Vegetação (GNDVI)
ÿ
2
1
OOB
e, b
)2eu
eu=1
ÿn
Figura 2. Uma ilustração gráfica da estrutura da rede neural profunda (DNN).
Tabela 2 
Índices de vegetação espectral derivados do Sentinel-3.
Tabela 3 
Algoritmos definiram hiperparâmetros.
OOB 
eu
4
Geoderma 411 (2022) 115695
RF é um algoritmo de aprendizado de máquina popular e amplamente adotado 
para tarefas de regressão e classificação (Sibanda et al., 2021). É um algoritmo de 
conjunto não paramétrico baseado em árvore que é capaz de lidar com pequenos e 
grandes dados (Rasaei e Bogaert, 2019). Durante o treinamento, o RF usa uma média 
das grandes árvores de decisão combinada com uma amostragem bootstrap exclusiva 
para obter resultados previstos (Odebiri et al., 2020a). O modelo RF também contém 
uma função importante (impureza de Gini) em sua estrutura que ajuda o usuário a 
determinar como cada variável preditora contribui para o sucesso geral do modelo. 
(Breiman, 2001). Os hiperparâmetros incluindo ntree, mtry e o tamanho do nó do RF 
podem ser otimizados para produzir melhores resultados preditivos (Tabela 3). Além 
disso, o bootstrapping reduz o efeito do overfitting em RF e permite uma estimativa 
precisa dos erros das amostras fora do saco (OOB) (Were et al., 2015). O erro 
quadrático médio OOB (MSEOOB) é expresso como a soma das previsões de todas 
as árvores como segue (Zhou et al., 2020);
1
validação pelo menos uma vez, o DNN foi calibrado dez vezes. Após repetidos ajustes 
usando uma otimização de busca aleatória com validação cruzada de 10 vezes, 500 
épocas, dez camadas ocultas, o otimizador “adam” e a função de ativação ReLU foram 
usados para o melhor resultado.
2.4.2. Floresta aleatória (RF)
||w||2 ,
styi ( wTxi + b ) ÿ 1, i = 1, 2, 3, ÿÿ.m. (4)
(3)
2.4.3. Máquina de vetores de suporte (SVM)
( zi ÿ ÿz
1
Assim como a RF, o SVM também é amplamente utilizado para tarefas de 
regressão e classificação em aplicações de sensoriamento remoto (Forkuor et al., 
2017). SVM é um modelo não paramétrico que funciona construindo um conjunto de 
hiperplanos em um espaço de dimensão infinita (hiperespaço) com o auxílio de uma 
função kernel (Were et al., 2015). O uso e a escolha da função kernel, incluindo 
sigmóide, polinomial, função de base radial (RBF) e linear, são essenciais para o 
desempenho geral do SVM (Jeong et al., 2017). Dado um conjunto de variáveis 
preditoras (x) para simular a variável alvo (y), o princípio básico do SVM pode ser 
simplesmente expresso da seguinte forma (Guo et al., 2020);
n
Onde n é o número de observações e é a previsão OOB para a observação zi. O 
modelo de RF neste estudo foi calibrado dividindo os dados em 10 partes iguais usadas 
para treinamento e teste sequencialmente com um conjunto definido de hiperparâmetros, 
conforme mostrado na Tabela 3 .
min
Onde xi e yi são os preditores e a variável alvo respectivamente; w e b são o vetor do 
hiperplano e viés.
A função kernel RBF foi selecionada para este estudo porque é comumente usada 
no mapeamento de solos e tem melhor desempenho do que outros kernels.
(Zhou et al., 2020; Guo et al., 2020; Keskin et al., 2019). Também definimos
MSEOOB =
2
ÿ
Machine Translated by Google
eu=1
2
2rÿoÿp
p
ÿn
2
p
( XO,i ÿ XP,i )2
R2 = 1 ÿ [ÿn i=1
2
2
5
Geoderma 411 (2022) 115695
R2
Resultados de redes neurais profundas (DNN), florestas aleatórias (RF), redes neurais 
artificiais (RNA) e máquinas de vetores de suporte (SVM); RMSE: raiz do erro quadrático 
médio; R2 : coeficiente de determinação; LCCC: coeficiente de correlação de 
concordância de lin (média ± desvio padrão).
Tabela 4
ÿ
'
(7)
ÿn i=1(XO ÿ Oÿ )
)
3. Resultados
Onde n significa o número de observações, XOe XP são os valores SOC medidos e 
previstos. O' e P' representam médias do SOC medido e previsto, enquanto ÿo e ÿp 
são as respectivas variâncias do valor medido e previsto. Além disso, para evitar viés 
de amostragem, uma validação cruzada de 10 vezes foi realizada dividindo os dados 
em 10 conjuntos iguais e passados sequencialmente em conjuntos de dados de 
calibração e validação, de modo que cada conjunto fosse usado pelo menos uma vez. 
Geralmente, um modelo mais bem ajustado é definido por um R2 e LCCC mais 
elevados, juntamente com um RMSE mais baixo.
Os resultados médios para os quatro modelos (ou seja, DNN, RF, ANN e SVM) 
usando validação cruzada de 10 vezes são apresentados na Tabela 4. Entre os quatro 
modelos treinados, o modelo DNN mostrou a robustez mais forte na previsão da 
variabilidade SOC, indicando uma valor de 10,35 t/ha (26% da média) para RMSE, 
67,3 para R2
REQM =
CCCC = 
ÿ2
e otimizou dois outros parâmetros RBF importantes (ou seja, penalidade — custo, 
sigma — largura do kernel) usando a técnica de pesquisa aleatória na API Python 3.8.
Onde K representa a função do kernel definida pelo usuário (RBF), x indica o vetor de 
entrada e ÿ é o sigma (Jeong et al., 2017). O particionamento de dados para a análise 
SVM foi semelhante ao modelo RF especificado acima.
3.1. Estatísticas resumidas
Além disso, avaliou-se a importância das variáveis preditoras para avaliar a sua 
contribuição para o desempenho global de cada modelo.
ÿÿÿÿÿ
2.4.4. Rede neural artificial (RNA)
]
+ [O' - P' ]
ÿxi + xj
Além de avaliar o desempenho de um modelo, é uma boa prática quantificar sua 
incerteza (Abdar et al., 2021). Na investigação orientada para a decisão, caracterizar 
a incerteza e avaliar a robustez das conclusões da investigação são cruciais para 
alcançar a qualidade e credibilidade da análise (Hamel e Bryant, 2017). A quantificação 
da incerteza fornece os limites superior e inferior para as variáveis de produto estimadas 
(Abdar et al., 2021). Neste estudo, os limites superior e inferior dos mapas SOC 
gerados por cada modelo foram determinados usando o desvio padrão comum (DP) ± 
1,64 com um nível de significância correspondente de intervalo de confiança de 90% 
(C1) (Rudiyanto et al . , 2016). Isso foi feito usando uma validação cruzada de 10 
vezes sob a suposição de que os quatro modelos seguem uma distribuição normal 
para cada célula raster (Emadi et al., 2020). Posteriormente, foram recuperados os 
percentis 5 e 95 juntamente com o valor médio previsto de cada pixel. Por fim, foi 
gerado um mapa de distribuição espacial para a média calculada, intervalo de 
confiança inferior (5%) e superior (95%) para os quatro modelos.
,
ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ
(XO ÿ p)
(5)
2.5. Métricas de avaliação do modelo
ÿ|
2.6. Quantificação da incerteza
modelo, incluindo “DeepExplainer” para DL e ANN, “TreeExplainer” para qualquer 
modelo baseado em árvore (RF) e “KernelExplainer” para outros tipos de modelos 
(SVM). As vantagens do SHAP sobre outras estratégias incluem, entre outras, a 
interpretabilidade global e local (para mais detalhes sobre o SHAP, ver Padarian et al., 
2020b, e Lundberg e Lee, 2017). Uma comparação entre o valor SHAP e a impureza 
RF Gini produziu o mesmo resultado, portanto, foi utilizado como método unificado 
para medida de importância de característica neste estudo.
A análise estatística foi conduzida para descrever os dados SOC alvo (1936 
amostras) para as previsões. Os dados variam entre 5,3 t/ha e 149 t/ha, com média e 
desvio padrão de 39,8 t/ha e 17,3 t/ha, respectivamente. O coeficiente de variação 
(43%) é calculado como a razão entre o desvio padrão e a média, indicando uma 
variação relativamente elevada nos dados SOC. Os dados também apresentaram forte 
assimetria (1,9) e curtose (5,2), o que anulou a regra de distribuição normal (Hair et al., 
2016). Para melhorar a distribuição normal, aplicamos uma transformação de logaritmo 
natural aos dados SOC, resultando em assimetria e curtose de 0,41 e 0,68, 
respectivamente. Os dados SOC convertidos foram transformados inversamente para 
restaurar os dados à sua escala original após a análise de previsão.
n
O ajuste e a generalização dos modelos construídos neste estudo foram avaliados 
por meio de três métricas, a saber: raiz do erro quadrático médio (RMSE), coeficiente 
de determinação (R2) e coeficiente de correlação de concordância de Lin (LCCC). 
Essas métricas são expressas como;
(6)
K ( xi, xj ) = exp(ÿ ÿ| ÿ
3.2. Avaliação e desempenho de modelos
(8)
ANN é uma rede neural clássica usada principalmente para classificação e análise 
de regressão (Wang et al., 2021). Sua capacidade única e vigorosa de modelagem de 
dados ajuda a detectar padrões e extrair resultados, podendo assim ser aplicado para 
simular propriedades complexas do solo, como SOC (Xu et al., 2020). A RNA consiste 
em camadas de entrada, oculta e de saída (Wei et al., 2021; Falahatkar et al., 2016). A 
camada de entrada (xi) recebe o sinal (ou seja, dados), após o qual a camada oculta 
realiza uma combinação linear ponderada de múltiplas variáveis independentes e 
armazena os parâmetros do modelo, como peso e viés (Gruszczynski, 2019). Antes de 
fazer a previsão final (camada de saída yi), uma função de ativação não linear é 
aplicada para limitar a influência de outliers (Chen et al., 2019). A função de ativação 
ReLU foi utilizada com uma única camada oculta neste estudo (Kuang et al., 2015). A 
RNA neste estudo foi feita definindo a taxa de aprendizagem, o número de nós na 
camada oculta e épocas em 0,001–0,05, 2–10 e 10–100, respectivamente, conforme 
mostrado na Tabela 3 .
Enquanto o modelo RF possui uma função (impureza de Gini) em sua estrutura para 
medir a importância das variáveis, outros algoritmos não. Especificamente, os modelos 
de aprendizagem profunda (DL) muitas vezes não conseguem alcançar a 
interpretabilidade porque não conseguem quantificar a importância das variáveis para 
tarefas de regressão ou classificação, razão pela qual são chamados de caixa preta 
(Padarian et al., 2019) . Para tanto, diversas técnicas foram recentemente propostas 
para ajudar os usuários a interpretar as previsões de DL (Pento´s, 2016). Um dos 
métodos são as explicações SHApely Additive (SHAP) usadas neste estudo. O princípio 
de funcionamento do SHAP é atribuir um valor médio específico a cada variável para 
mostrar a magnitude do seu impacto na saída do modelo. SHAP possui função especial 
para cada tipo de ML
+ ÿ2
e 84,3 para LCCC. O desempenho de outro 
modelo em ordem de classificação foi RF com pontuação RMSE de 11,2 t/ha
58±5,03
10,35±5,05 
11,2±4,03
63,4±5,0
LCCC
13,6±5,07
REQM (t/ha)
SVM
11,6±6,02
Modelo
ANN
O. Odebiri et al.
RF
DNN
79,6±6,02
77,5±7,08
84,3±6,05 
80,5±6,02
67,3±5,01 
64,7±5,03
Machine Translated by Google
6
Geoderma 411 (2022) 115695
4. Discussão
plantações.Isto não é surpreendente, porque as variáveis mais importantes (B8, 
NDVI, B11, EVI e RVI) para o desempenho global dos modelos são todas sensíveis 
à vegetação. Além disso, a Tabela 5 mostra a percentagem de observação que se 
enquadra no IC definido (ou seja, 5 e 95%) para os quatro modelos, retratando 
assim a sua incerteza. Em teoria, 90% das observações deveriam estar dentro do 
intervalo especificado (Rudiyanto et al., 2016). O modelo DNN produziu a incerteza 
mais confiável, com 88% das observações dentro do IC definido, seguido por RF e 
ANN com incerteza semelhante em cerca de ~ 79%. O SVM também produziu uma 
incerteza relativa aos outros modelos de ~ 69%. Embora os modelos representem 
uma boa medida de incerteza, podem não representar a situação real no terreno, 
porque a quantificação da incerteza neste estudo é baseada nos parâmetros dos 
modelos e não na incerteza espacial dos dados.
Figura 5 A distribuição espacial do carbono orgânico do solo (SOC) para rede 
neural profunda (DNN), floresta aleatória (RF), rede neural artificial (RNA) e máquina 
de vetores de suporte (SVM) no limite inferior (5%), média, e limite superior (95%) 
usando dados OLCI do Sentinel 3
(28% da média), 64,7 para R2 e 80,5 para LCCC; a RNA com pontuações de 11,6 
t/ha (29% da média), 63,4 e 79,6, para RMSE, R2 e LCCC respectivamente; e o 
SVM foi o menos robusto, denotando uma pontuação RMSE de 13,6 t/ha (34% da 
média), 58 para R2 e 77,5 para LCCC, respetivamente. A Figura 3 mostra a 
correlação entre o SOC observado e o estimado para os modelos construídos.
A fácil aquisição e o rápido crescimento de vários dados de sensoriamento 
remoto baseados na refletância espectral levaram a um aumento nos estudos 
sobre características da paisagem, incluindo SOC (Wang et al., 2021). Algoritmos 
poderosos baseados em dados, como aprendizagem profunda (DL), estão sendo 
cada vez mais adotados no campo de sensoriamento remoto devido à proliferação 
de big data (Ma et al., 2019). Comparado aos modelos clássicos de ML, o DL se 
adapta às mudanças ambientais e melhora os modelos baseados em feedback 
contínuo (Ho Tong Minh et al., 2018). Além disso, a DL é facilitada por redes 
neurais, múltiplos hiperparâmetros e arquitetura de múltiplas camadas capazes de 
melhorar a precisão (Zhu et al., 2019). É uma forma avançada de aprendizado de 
máquina (ML) que coleta dados, aprende
A Figura 5 e a Tabela 5 mostram a distribuição espacial e a quantificação da 
incerteza do SOC previsto para a África do Sul no limite superior (95%), na média 
e no limite inferior (5%), calculado com IC de 90%. Os mapas gerados por cada 
modelo (Fig. 5) mostram um nível significativo de concordância do limite superior 
ao limite inferior. A concentração de SOC é maior em áreas com vegetação densa 
em comparação com áreas com vegetação esparsa ou sem vegetação. Por 
exemplo, as partes nordeste e sudeste com cores mais escuras são dominadas por 
florestas naturais densas e
A Figura 4 mostra a importância relativa e a contribuição das vinte covariáveis 
de melhor desempenho usando a abordagem SHAP. A figura mostra que a melhor 
variável explicativa para os modelos DNN e ANN foi a Banda 8 (665 nm), enquanto 
o NDVI foi a variável mais importante nos modelos RF e SVM. Com exceção do 
modelo SVM, a classificação de importância das variáveis nos demais modelos foi 
relativamente uniforme. Por exemplo, os primeiros cinco preditores do modelo DNN, 
incluindo B8, NDVI, EVI, B11 e RVI, foram os mesmos para RF e ANN, com uma 
ligeira diferença nas suas classificações. Uma análise mais detalhada dos números 
mostra que o NDVI e a Banda 8 estavam entre os três primeiros em todos os 
modelos. Além disso, a influência das cinco primeiras variáveis no melhor modelo 
(DNN) foi maior quando comparada aos demais modelos.
3.4. Estimativa espacial de SOC e quantificação de incerteza
3.3. Avaliação de importância variável dos modelos
O. Odebiri et al.
3. Previsto em relação ao carbono orgânico do solo (SOC) observado usando quatro modelos: (A) DNN = rede neural profunda, (B) RF = floresta aleatória, (C) ANN = rede 
neural artificial, (D) SVM = vetor de suporte máquina.
Machine Translated by Google
7
Geoderma 411 (2022) 115695
a partir dele e otimiza o modelo (Li et al., 2021). Neste estudo, examinamos uma 
abordagem de aprendizagem profunda (DNN) para prever a distribuição espacial 
do SOC em escala nacional usando Sentinel-3 OLCI e seus derivados. O resultado 
e o desempenho do DNN foram comparados com outros modelos populares de ML 
usados no mapeamento digital do solo (ou seja, RF, ANN e SVM).
fontes e horário de coleta, o modelo DNN (10 camadas ocultas) foi mais preciso 
que outros métodos, indicando sua robustez na modelagem de dados complexos.
708,25 nm), EVI e RVI. Curiosamente, estas variáveis também foram significativas 
em outros modelos que ocupam as seis primeiras posições nos rankings (Fig. 4). A 
variável mais importante (B8) do modelo DNN está dentro do espectro vermelho 
visível (625–700 nm). Muitos estudos demonstraram a sensibilidade da faixa 
vermelha ao SOC (Gholizadeh et al., 2018; Mondal et al., 2017). Por exemplo, 
Odebiri et al. (2020a) destacaram recentemente a importância da faixa vermelha 
dos dados do Landsat-8 para estimar o conteúdo SOC dentro da mesma área de 
estudo (África do Sul). De acordo com o estudo, a região da faixa vermelha foi 
altamente responsiva aos atributos da vegetação, como o teor de clorofila, o que 
fornece informações importantes sobre o estado fisiológico da vegetação 
relacionado ao SOC. Além disso, NDVI, EVI e RVI também melhoram a detecção e 
sensibilidade da vegetação em regiões de alta biomassa, indicando densidade e 
distribuição da vegetação, que por sua vez informam a variabilidade do SOC 
( Kumar et al., 2016; Matsushita et al., 2007). O B11 cobre as regiões estratégicas 
do espectro eletromagnético sensível à vegetação (borda vermelha). De acordo 
com Mngadi et al. (2019), a região da borda vermelha fornece informações sobre 
uma ampla gama de atributos da vegetação, incluindo biomassa, estrutura da copa 
e conteúdo de clorofila. Estudos anteriores (por exemplo, Zhang et al., 2019; Aryal 
et al., 2017; Nabiollahi et al., 2019; Forkuor et al., 2017) relataram que a 
concentração de SOC é altamente dependente da intensidade da vegetação e dos 
resíduos. O mesmo se aplica ao nosso modelo SOC (Fig. 5), uma vez que a 
densidade da vegetação e a concentração de SOC foram positivamente 
correlacionadas, apoiando a hipótese de que a vegetação pode ser utilizada como 
um substituto para a estimativa do SOC, uma vez que ambas respondem aos 
mesmos gatilhos físicos e ambientais ( Bhunia e outros, 2017).
O modelo DNN produziu os melhores resultados para distribuição SOC com um 
nível considerável de precisão quando comparado aos demais modelos (Tabela4). 
Isto é consistente com a literatura existente. Um estudo recente de Emadi et al. 
(2020) mostraram a superioridade do DNN sobre outros modelos, como RF, ANN e 
SVM no mapeamento da variabilidade do SOC na província de Mazandaran, no 
norte do Irã, com R2 de 65, 58, 55 e 53, respectivamente. Da mesma forma, 
Taghizadeh-Mehrjardi et al. (2020) desenvolveram um modelo DNN de sete 
camadas ocultas para prever o conteúdo SOC em seis profundidades padrão em 
dois locais contrastantes no centro e norte do Irã, e obtiveram um resultado melhor 
em todas as profundidades em comparação com outros modelos de aprendizado 
de máquina. Além disso, os resultados (R2 = 67,3) obtidos neste estudo exibiram 
um melhor desempenho em comparação com outros estudos recentes de SOC em 
escala nacional realizados por Venter et al. (2021), que utilizaram o modelo RF, e 
Schulze e Schütte (2020) que calcularam o % SOC utilizando ponderação de área, 
com pontuação R2 de 65,9 e 20,3 respectivamente. É importante notar que os 
pontos amostrais de solo utilizados em ambos os estudos foram três a quatro vezes 
maiores que neste estudo, mas o modelo DNN ainda produziu uma melhor precisão. 
A vantagem do modelo DNN sobre outros modelos é baseada em sua capacidade 
de aprender e extrair recursos mais representativos dos dados SOC por meio de 
suas muitas camadas e neurônios ocultos. Cada neurônio na rede representa um 
aspecto dos dados e, juntos, fornecem uma representação completa dos dados. As 
camadas ocultas (no nosso caso 10) são ponderadas para indicar a força da sua 
relação com a produção (ou seja,
SOC), e à medida que o modelo se desenvolve durante o treinamento, os pesos 
são ajustados para melhorar a precisão. Além disso, a DNN pode aproximar com 
precisão a complicada relação não linear entre SOC e covariáveis, capturando 
assim a associação potencial entre eles (Yuan et al., 2020). Considerando a 
incerteza espacial dos dados SOC alvo devido a múltiplas escalas de variação, bem 
como às diferentes amostragens
Este estudo também avaliou a importância dos preditores utilizados para 
explicar a variabilidade do SOC. Foi adotada a técnica de valor SHAP com uma 
capacidade especial de revelar a importância dos preditores para qualquer máquina 
ou modelo de aprendizagem profunda (ver Seção 2.4). As cinco principais variáveis 
no modelo DNN foram Banda 8 (B8 = 665 nm), NDVI, Banda 11 (B11 =
Figura 4. Classificação de importância das variáveis utilizadas para a simulação do carbono orgânico do solo na África do Sul. DNN: rede neural profunda, RF: floresta aleatória, RNA: rede 
neural artificial, SVM: máquina de vetores de suporte.
O. Odebiri et al.
Machine Translated by Google
8
Geoderma 411 (2022) 115695
O Sentinel-3 adquire dados na região do comprimento de onda do visível (VIS) ao infravermelho 
próximo (NIR) do espectro eletromagnético (400 a 1020 nm).
Esta região de comprimento de onda VIS-NIR fornece informações críticas de refletância no 
SOC e é considerada a região mais sensível para determinar o conteúdo do SOC (Lin et al., 
2020; Volkan Bilgili et al., 2010). Considerando que a sua resolução espacial é baixa (300 m), 
o curto período de revisita e a grande cobertura fornecem informações abrangentes para a 
estimativa do SOC em
No geral, a partir dos mapas de resultados, o SOC é mais prevalente no norte e sudeste 
do país, enquanto o oeste desértico, árido e semi-árido tem menor concentração. Isto ocorre 
porque as áreas de maior concentração de SOC são dominadas por densas plantações 
naturais e exóticas caracterizadas por uma elevada cobertura de copa e altura variando entre 
10 e 75% e 2,5–6 m, respetivamente (SANLC, 2020) . As áreas com vegetação densa são 
capazes de promover o metabolismo acelerado do solo através da queda contínua de 
serapilheira e matéria morta, resultando numa acumulação adicional de SOC (Muchena, 2017). 
Além disso, as áreas com vegetação densa do país recebem maior precipitação (>600 mm) do 
que o deserto e o oeste árido (<300 mm). A precipitação influencia a humidade do solo, os 
processos hidrológicos (incluindo escoamento superficial e infiltração de águas subterrâneas), 
a densidade da vegetação e a decomposição, o que apoia o sequestro do COS (Zhou et al., 
2008; O'Brien et al., 2010; Chen et al., 2015) . Como exemplo, o
Os dados do Sentinel-3 tiveram um bom desempenho em uma modelagem SOC nacional.
a província do cabo norte do país (Fig. 1), que tem a concentração mais baixa de SOC (Fig. 
5), é caracterizada por uma precipitação anual baixa e errática de longo prazo, com menos de 
175 mm (Paterson, 2014). Da mesma forma, os solos desta área são em grande parte 
dominados por solos arenosos muito rasos com baixa capacidade de retenção de água e 
areias sopradas pelo vento (dunas), levando a uma baixa acumulação de carbono orgânico no 
solo.
5. A distribuição espacial do carbono orgânico do solo (SOC) para rede neural profunda (DNN), floresta aleatória (RF), rede neural artificial (RNA) e máquina de vetores de suporte 
(SVM) no limite inferior (5%), média e limite superior (95%) usando dados OLCI do Sentinel 3.
Tabela 5
Número e percentagem de amostras SOC dentro do intervalo de confiança definido (90%).
Número de observações
15.56
5–95%
SVM
95
79,6
69,1
4.9
Expresso em porcentagem (%)
<5
1936
247
O. Odebiri et al.
88.07
12h75
1936
Fora do CI
217
78,9
301
7DNN
1541
8h35
Observações
1338
95%
ANN
Dentro do CIFora do CIDentro do CI
>95%
1936
178
<5
161
15h34
136
9.2
1936
Modelos
297
RF 11.2
5–95%
1705
1528
Machine Translated by Google
9
Geoderma 411 (2022) 115695
Aryal, DR, De Jong, BHJ, Mendoza-Vega, J., Ochoa-Gaona, S., Esparza-Olguín, L.,
2017. Estoques de carbono orgânico do solo e respiração do solo em florestas secundárias tropicais no sul 
do México. In: Segurança global do solo. Springer, pp.
295–309.
técnicas de detecção para estimativa de carbono orgânico do solo: uma revisão. Sensor Remoto 11 (6), 676.
Documento de base teórica do algoritmo 3, 213.
Huete, AR, 1988. Um índice de vegetação ajustado ao solo (SAVI). Sensoriamento Remoto Meio Ambiente. 25 (3),
Baret, F., Guyot, G., 1991. Potenciais e limites dos índices de vegetação para avaliação LAI e APAR. Sensoriamento 
Remoto Meio Ambiente. 35 (2-3), 161–173.
Este estudo foi apoiado pelo Projeto Big Data for Science and Society (BDSS), 
financiado pelo UKZN, e pela Cátedra NRF em Planejamento e Gestão do Uso do 
Solo (Grant nº 84157).
Os autores declaram que não têm interesses financeiros concorrentes ou 
relações pessoais conhecidas que possam ter influenciado o trabalho relatado 
neste artigo.
5. Conclusão
O estudo concluiu que as múltiplas bandas espectrais (21) do Sentinel-3 podem 
complementar a sua baixa resolução espacial, resultando numa melhor previsão do 
SOC. Além disso, de acordo com a classificação de importância da abordagem de 
valor SHAP utilizada nesteestudo, as seguintes bandas Sentinel-3 foram importantes 
para a previsão do SOC; B8 (665 nm) B11 (708,25 nm), B17 (865 nm), B19 (900 
nm), B9 (673,75), B12 (753,75 nm), B13 (761,25 nm), B18 (885 nm), B6 (560 nm ) 
e B7 (620 nm), respectivamente. Recomendamos que essas regiões de bandas 
sejam anotadas para estudos futuros.
Declaração de interesse concorrente
nível de país (Li et al., 2021). Alguns estudos examinaram a capacidade dos dados 
do Sentinel-3 para estimar o SOC. Por exemplo, Lin et al. (2020) compararam o 
desempenho do Sentinel-3 e 2 para prever o conteúdo SOC na China e alcançaram 
diferentes precisões de R2 = 55 e 59, respectivamente.
Bhunia, GS, Kumar Shit, P., Pourghasemi, HR, 2017. Mapeamento de carbono orgânico do solo 
usando técnicas de sensoriamento remoto e modelo de regressão multivariada. Geocarto 
Int. 34, 1–12.
Referências
Reconhecimentos
Neste estudo, uma estimativa nacional de SOC foi conduzida usando uma 
abordagem de aprendizagem profunda (DNN) e dados OLCI do Sentinel-3. O 
modelo DNN teve melhor desempenho que RF, RNA e SVM, indicando sua 
capacidade de extrair características mais abstratas dos dados, aumentando assim 
a precisão. Também adotamos a técnica SHAP que ajudou a desvendar a falta de 
interpretabilidade associada aos modelos de aprendizagem profunda. Banda 8, 
NDVI, Banda 11, EVI e RVI foram as variáveis mais importantes no modelo DNN 
para determinar a variabilidade SOC na área de estudo. No entanto, deve-se ter 
cuidado ao construir o modelo DNN para evitar overfitting; um fenômeno comum a 
estruturas de aprendizagem profunda devido a muitos hiperparâmetros. Além disso, 
este estudo estabeleceu a capacidade dos dados do Sentinel-3 de prever o SOC 
em escala regional/nacional. Isto é importante para avaliar a sua competitividade 
em referência a outros sensores comumente usados, como Landsat e MODIS, 
proporcionando assim aos usuários finais a oportunidade de escolher a imagem 
apropriada adequada em diferentes escalas de mapeamento. Este estudo é o 
primeiro mapeamento SOC baseado em DL desenvolvido na África do Sul e fornece 
uma estrutura valiosa para uma melhor contabilidade nacional de carbono. No 
entanto, o custo e o tamanho da amostra devem ser colocados em perspectiva 
porque os modelos DL exigem muito poder de computação, bem como big data. 
Apesar disso, o modelo DNN teve um bom desempenho e pode ser melhorado em 
estudos futuros. Por exemplo, este estudo não considerou uma estratégia de 
seleção de variáveis para reduzir a possível multicolinearidade entre preditores, o 
que poderia potencialmente reduzir a precisão. Além disso, estudos futuros podem 
incorporar dados nacionais do solo, se disponíveis, em oposição aos dados globais 
genéricos utilizados neste estudo.
Breiman, L., 2001. Florestas aleatórias. Mach. Aprender. 45 (1), 5–32.
Emadi, M., Taghizadeh-Mehrjardi, R., Cherati, A., Danesh, M., Mosavi, A., Scholten, T., 2020. Previsão e 
mapeamento do carbono orgânico do solo usando algoritmos de aprendizado de máquina no 
norte do Irã. Sensor Remoto 12 (14), 2234.
Gitelson, AA, Merzlyak, MN, 1998. Sensoriamento remoto da concentração de clorofila nas folhas superiores 
das plantas. Av. Espaço Res. 22 (5), 689–692.
Huete, A., Justice, C., Van Leeuwen, W., 1999. Índice de vegetação MODIS (MOD13).
Angelopoulou, T., Tziolas, N., Balafoutis, A., Zalidis, G., Bochtis, D., 2019. Remoto
Guo, L., Fu, P., Shi, T., Chen, Y., Zhang, H., Meng, R., Wang, S., 2020. Mapeamento de carbono orgânico 
do solo em escala de campo com sistemas de aeronaves não tripuladas adquiridos 
imagens multiespectrais de séries temporais. Cultivo do Solo Res. 196, 104477. https://doi.org/
10.1016/j. ainda.2019.104477.
formulários. In: Instituto Multidisciplinar de Editoração Digital.
densidade de carbono orgânico usando variáveis ambientais auxiliares no norte do Irã.
'
O. Odebiri et al.
Hair Jr, JF, Hult, GTM, Ringle, C., Sarstedt, M., 2016. Uma cartilha sobre modelagem de equações 
estruturais de mínimos quadrados parciais (PLS-SEM). Publicações Sábias.
precipitação nas frações de carbono orgânico do solo em três florestas subtropicais no sul da China. J. 
Planta Ecol. 9 (1), 10–19.
Forkuor, G., Hounkpatin, OKL, Welp, G., Thiel, M., Hui, D., 2017. Alta resolução
Ben Hamida, A., Benoit, A., Lambert, P., Ben Amar, C., 2018. Abordagem de aprendizagem profunda 3-D 
para classificação de imagens de sensoriamento remoto. IEEE Trans. Geociências. Sensor Remoto 
56 (8), 4420–4434.
Batjes, NH, Ribeiro, E., Oostrum, Av, 2020. Dados padronizados do perfil do solo para apoiar o mapeamento 
e modelagem global (Snapshot WoSIS 2019). Sistema Terra. Ciência. Dados 12 (1), 299–320.
Departamento de Assuntos Ambientais, 2017. Avaliação Nacional de sumidouros de carbono 
terrestre. Departamento de Assuntos Ambientais, Pretória, África do Sul.
Dotto, AC, Dalmolin, RSD, ten Caten, A., Grunwald, S., 2018. Um estudo sistemático sobre a aplicação de 
pré-processamento corretivo de dispersão e derivado espectral para previsão multivariada de 
carbono orgânico do solo por espectros Vis-NIR. Geoderma 314, 262–274.
Volkan Bilgili, A., van Es, HM, Akbas, F., Durak, A., Hively, WD, 2010. Espectroscopia de refletância no 
infravermelho próximo visível para avaliação das propriedades do solo em uma área semiárida da 
Turquia. J. Ambiente Árido. 74 (2), 229–238.
Abdar, M., Pourpanah, F., Hussain, S., Rezazadegan, D., Liu, Li, Ghavamzadeh, M., Fieguth, P., Cao, X., 
Khosravi, A., Acharya, UR, Makarenkov, V., Nahavandi, S., 2021. Uma revisão da quantificação da 
incerteza na aprendizagem profunda: técnicas, aplicações e desafios. Informar. Fusão 76, 
243–297.
SoilGrids250m: Informações globais do solo em grade baseadas em aprendizado de máquina. PLoS 
UM 12 (2), e0169748. https://doi.org/10.1371/journal.pone.016974810.1371/
journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal . 
pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal. 
pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal. 
pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal. 
pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal. 
pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal. 
pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal. 
pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal. 
pone.0169748.t00310.1371/journal.pone.0169748.t004.
Gholizadeh, A., Zi ÿzala, D., Saberioon, M., Borÿvka, L., 2018. Recuperação e mapeamento de carbono 
orgânico e textura do solo usando imagens espectrais proximais, aéreas e Sentinel-2 . Sensoriamento 
Remoto Meio Ambiente. 218, 89–103.
Jamalabad, M., Abkar, A., 2004. Monitoramento da densidade do dossel florestal, usando imagens de 
satélite. Congresso ISPRS, Istambul. Em.
Chen, X., Zhang, D., Liang, G., Qiu, Q., Liu, J., Zhou, G., Yan, J., 2015. Efeitos de
Falahatkar, S., Hosseini, SM, Ayoubi, S., Salmanmahiny, A., 2016. Previsão do solo
Chen, C.-H., Kung, H.-Y., Hwang, F.-J., 2019. Técnicasde aprendizagem profunda para agronomia
Gruszczynski, S., 2019. Previsão de propriedades do solo com modelos de aprendizado de máquina 
baseados na resposta espectral de amostras de solo na faixa do infravermelho próximo. Ciência do 
Solo. Anual 70 (4), 298–313.
ÿ
Deering, D., 1975. Medição da “produção de forragem” de unidades de pastagem a partir de dados Landsat 
MSS. Artigo apresentado nos Anais do Décimo Simpósio Internacional de Sensoriamento Remoto do 
Meio Ambiente.
Hamel, P., Bryant, BP, 2017. Avaliação da incerteza nas análises de serviços ecossistêmicos: sete desafios 
e respostas práticas. Ecossistema. Servir. 24, 1–15.
Arco. Agro. Ciência do Solo. 62 (3), 375–393.
Gupta, S., Kar, AK, Baabdullah, A., Al-Khowaiter, WAA, 2018. Big data com computação cognitiva: uma 
revisão para o futuro. Internacional J. Inf. Gerenciar. 42, 78–89.
Hengl, T., Mendes de Jesus, J., Heuvelink, GBM, Ruiperez Gonzalez, M., Kilibarda, M., Blagotí c, A., 
Shangguan, W., Wright, MN, Geng, X., Bauer- Marschallinger, B., Guevara, MA, Vargas, R., 
MacMillan, RA, Batjes, NH, Leenaars, JGB, Ribeiro, E., Wheeler, I., Mantel, S., Kempen, B., 
Bond-Lamberty, B., 2017.
Dong, Z., Zhou, Z., Li, Z., Liu, C., Huang, P., Liu, L., Liu, X., Kang, J., 2019. Redes neurais convolucionais 
baseadas em dispositivos RRAM para reconhecimento de imagem e tarefas de aprendizagem on-line. 
IEEE Trans. Desenvolvimento de elétrons. 66 (1), 793–801.
mapeamento das propriedades do solo usando variáveis de sensoriamento remoto no sudoeste de 
Burkina Faso: uma comparação entre aprendizado de máquina e modelos de regressão linear múltipla. 
PLoS UM 12 (1), e0170478. https://doi.org/10.1371/journal.pone.017047810.1371/
journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal . 
pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal. 
pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal. 
pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal. 
pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal. 
pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal. 
telefone.0170478.s003.
Machine Translated by Google
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0015
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0015
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0015
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0140
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0010
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0010
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0135
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0140
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0020
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0020
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0030
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0030
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0030
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0040
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0075
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0075
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0075
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0095
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0095
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0135
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0010
https://doi.org/10.1016/j.still.2019.104477
https://doi.org/10.1016/j.still.2019.104477
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0080
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0100
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0115
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0115
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0050
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0050
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0125
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0125
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0125
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0025
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0025
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0025
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0060
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0060
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0070
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0070
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0070
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0070
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0035
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0035
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0035
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0005
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0005
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0005
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0005
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0090
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
https://doi.org/10.1371/journal.pone.016974810.1371/journal.pone.0169748.g00110.1371/journal.pone.0169748.g00210.1371/journal.pone.0169748.g00310.1371/journal.pone.0169748.g00410.1371/journal.pone.0169748.g00510.1371/journal.pone.0169748.g00610.1371/journal.pone.0169748.g00710.1371/journal.pone.0169748.g00810.1371/journal.pone.0169748.g00910.1371/journal.pone.0169748.g01010.1371/journal.pone.0169748.g01110.1371/journal.pone.0169748.g01210.1371/journal.pone.0169748.g01310.1371/journal.pone.0169748.g01410.1371/journal.pone.0169748.t00110.1371/journal.pone.0169748.t00210.1371/journal.pone.0169748.t00310.1371/journal.pone.0169748.t004
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0090
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0090
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0050
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0080
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0100
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0100
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0100
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0055
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0055
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0055
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0120
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0120
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0080
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0110
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0110
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0090
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0065
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0065
http://refhub.elsevier.com/S0016-7061(22)00002-7/h0065
https://doi.org/10.1371/journal.pone.017047810.1371/journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal.pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal.pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal.pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal.pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal.pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal.pone.0170478.s003
https://doi.org/10.1371/journal.pone.017047810.1371/journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal.pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal.pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal.pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal.pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal.pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal.pone.0170478.s003
https://doi.org/10.1371/journal.pone.017047810.1371/journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal.pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal.pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal.pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal.pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal.pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal.pone.0170478.s003
https://doi.org/10.1371/journal.pone.017047810.1371/journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal.pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal.pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal.pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal.pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal.pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal.pone.0170478.s003
https://doi.org/10.1371/journal.pone.017047810.1371/journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal.pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal.pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal.pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal.pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal.pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal.pone.0170478.s003
https://doi.org/10.1371/journal.pone.017047810.1371/journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal.pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal.pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal.pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal.pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal.pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal.pone.0170478.s003
https://doi.org/10.1371/journal.pone.017047810.1371/journal.pone.0170478.g00110.1371/journal.pone.0170478.g00210.1371/journal.pone.0170478.t00110.1371/journal.pone.0170478.t00210.1371/journal.pone.0170478.t00310.1371/journal.pone.0170478.t00410.1371/journal.pone.0170478.t00510.1371/journal.pone.0170478.t00610.1371/journal.pone.0170478.t00710.1371/journal.pone.0170478.t00810.1371/journal.pone.0170478.s00110.1371/journal.pone.0170478.s00210.1371/journal.pone.0170478.s003
mapeamento de resolução dos estoques de carbono orgânico do solo usando variáveis de sensoriamento 
remoto nas pastagens semiáridas do leste da Austrália. Ciência. Meio Ambiente Total. 630, 367-378.
mapeamento usando aprendizagem profunda. Solo 5 (1), 107–119.
Wang, Y., Zhang, Z., Feng, L., Du, Q., Runge, T., 2020. Combinando dados de múltiplas fontes e abordagens de 
aprendizado de máquina para prever a produção de trigo de inverno nos Estados Unidos contíguos. Sensor 
Remoto 12 (8), 1232.
Wang, K., Qi, Y., Guo, W., Zhang, J., Chang, Q., 2021. Recuperação e mapeamento do solo
450–463.
Wang, B., Waters, C., Orgill, S., Gray, J., Cowie, A., Clark, A., Liu, DL, 2018. Alto
Odebiri, O., Mutanga, O., Odindi, J., Peerbhay, K., Dovey, S., Ismail, R., 2020b.
Estimativa dos estoques de carbono orgânico do solo sob silvicultura comercial usando variáveis topoclimáticas 
em KwaZulu-Natal, África do Sul. S. África. J. Ciência. 116 (3–4), 1–8.
Wadoux, AMJ, Padarian, J.,