Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/59862
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCosta , Luana Sousa-
dc.date.accessioned2025-03-18T17:02:22Z-
dc.date.available2025-03-18T17:02:22Z-
dc.date.issued2025-03-18-
dc.date.submitted2024-02-22-
dc.identifier.citationCOSTA, Luana Sousa. Soil-environment digital information to provide solutions for solid waste disposal and coffee yield modeling. 2024. 66 p. Tese (Doutorado em Ciência do Solo) - Universidade Federal de Lavras, Lavras, 2024.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/59862-
dc.description.abstractThe first article was developed in collaboration with the Regional Consortium for Basic Sanitation (CONSANE) involving students, faculty, and municipal authorities. By developing a method to delimitate suitable areas for the disposal of construction and demolition waste, this work directly contributed to the Municipal Solid Waste Management Plan, offering a solution to the limited technical and financial resources in small municipalities, which hinder effective waste management and compliance with current regulations. By supporting integrated solid waste management (aligned with SDG 6 - Clean Water and Sanitation), the article provides a sustainable approach to managing construction and demolition waste, reducing environmental impact, and promoting responsible land use. The thematic areas of university extension covered include Environment and Health. The direct beneficiaries included municipal decision-makers and the local population of Nepomuceno municipality, in Minas Gerais state, totaling over 25,000 residents, with potential applications for neighboring municipalities. The second article presents a study carried out in collaboration with a commercial coffee farm in the Campos das Vertentes indication of origin region. It explored machine learning algorithms to predict coffee yield based on soil topography, parent material, vegetation indexes, climate data, and along with a dataset of historical yield values. This study enhances the understanding of factors influencing yield at site-specific, enabling data-driven decisions for sustainable resource management. It directly supports SDG 2 – Zero Hunger and Sustainable Agriculture by proposing methods to improve yield prediction, optimize soil inputs management, and implement precision agriculture strategies. The results impact local coffee farmers and the regional economy, with potential applications for broader agricultural sectors. Overall, this dissertation contributes to SDG 15 – Life on Land, focusing on sustainable land use and conservation practices. It exemplifies the integration of academic research, extension activities, and technological innovation to address pressing environmental and agricultural challenges.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.languageengpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.rightsAttribution 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectDigital soil mappingpt_BR
dc.subjectEnvironmental covariatept_BR
dc.subjectMachine learningpt_BR
dc.subjectCoffee systempt_BR
dc.subjectLand suitabilitypt_BR
dc.subjectMapeamento digital de solopt_BR
dc.subjectCovariável ambientalpt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectCafeiculturapt_BR
dc.subjectAptidão agrícolapt_BR
dc.titleSoil-environment digital information to provide solutions for solid waste disposal and coffee yield modelingpt_BR
dc.typetesept_BR
dc.publisher.programPrograma de Pós-Graduação em Ciência do Solopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Menezes, Michele Duarte de-
dc.contributor.referee1Giasson, Elvio-
dc.contributor.referee2Rezende, Tiago Teruel-
dc.contributor.referee3Andrade, Renata-
dc.contributor.referee4Silva, Sergio Henrique Godinho-
dc.description.resumoMúltiplas fontes de informação digital, observações de campo ou rotinas laboratoriais para caracterizar os atributos do solo e do ambiente e, juntamente com modelos preditivos poderosos, são vitais para resolver problemas, oferecer novos insights, descobrir padrões complexos e otimizar o manejo e uso da terra. Esta tese apresenta dois capítulos que envolvem o solo e seu ambiente de ocorrência como base fundamental. O primeiro capítulo propôs um sistema de aptidão para a disposição de resíduos sólidos da construção civil com posterior aplicação em um mapa digital de solos do município de Nepomuceno como caso de estudo. Apesar do amplo conhecimento pedológico, a legislação e regulamentação ambiental vigente simplifica aspectos que podem representar riscos para as atividades de disposição de resíduos sólidos de construção e para a saúde humana. Uma estrutura de mapeamento digital de solos foi desenvolvida para mapear solos e fornecer a caracterização ambiental. Além disso, foi estabelecido um sistema de aptidão baseado em interpretações da relação solo-paisagem através de atributos listados em uma tabela guia, discutindo as potencialidades e limitações associadas à sua posição na paisagem. O segundo capítulo teve como objetivo desenvolver modelos preditivos de produtividade de café em escala agrícola a partir de algoritmos de aprendizado de máquina e modelos digitais de terreno, informações sobre fertilidade do solo, suscetibilidade magnética, espectroscopia de raios gama aerotransportados, precipitação mensal e índices de vegetação obtidos via satélite. Os algoritmos de random forest (RF), gradient boosting machine (GBM) e radial support vector machine (SVM) recuperaram uma precisão adequada de previsões para classes de solo (capítulo um, apenas o algoritmo RF aplicado) e produtividade de café (capítulo dois). Os atributos do primeiro capítulo propostos como critérios para o sistema de aptidão complementam a legislação estadual vigente. A topografia e a profundidade do solo foram os fatores mais limitantes das áreas do estudo de caso. Um total de 236 ha mais próximos do perímetro urbano interligados por estradas em boas condições foram classificados como aptos para o manejo do volume diário de médio e pequeno porte, cuja destinação poderá reduzir custos de transporte e instalação na área de estudo. Embora diferentes modelos preditivos para a produtividade do café tenham sido desenvolvidos, considerando estados bienais positivos e negativos, o modelo que incorpora todas as safras estações superou os demais. Este desempenho superior é provavelmente atribuído ao maior volume de informações de entrada disponíveis, permitindo que o modelo se ajuste a uma gama mais ampla de valores. Quanto à escolha dos algoritmos, eles demonstraram desempenho comparável, com o algoritmo RF exibindo resultados ligeiramente melhores – RMSE (12,35 sacas ha-1 ) e MAE (8,79 sacas ha-1 ) mais baixos, e um R2 mais alto (0,87) em comparação com todos os outros modelos deste estudo. A precipitação, o NDVI e as propriedades do solo relacionadas com a fertilidade foram classificadas como os factores mais importantes para a previsão da produtividade.pt_BR
dc.publisher.departmentEscola de Ciências Agrárias – ESALpt_BR
dc.subject.cnpqCiências Agráriaspt_BR
dc.creator.Latteshttp://lattes.cnpq.br/6078182551730414pt_BR
Aparece nas coleções:Ciência do Solo - Doutorado (Teses)



Este item está licenciada sob uma Licença Creative Commons Creative Commons