Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1160243
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorSALDANHA, G. da R.
dc.contributor.authorPINHEIRO, H. S. K.pt_BR
dc.contributor.authorCARVALHO JUNIOR, W. dept_BR
dc.contributor.authorCHAGAS, C. da S.pt_BR
dc.contributor.authorRODRIGUES, N. B.pt_BR
dc.contributor.authorRAMOS, E. E. C.pt_BR
dc.contributor.authorGUIMARÃES, L. D. D.pt_BR
dc.date.accessioned2023-12-27T13:32:34Z-
dc.date.available2023-12-27T13:32:34Z-
dc.date.created2023-12-27
dc.date.issued2023
dc.identifier.citationIn: CONGRESSO LATINO-AMERICANO DE CIÊNCIA DO SOLO, 23.; CONGRESSO BRASILEIRO DE CIÊNCIA DO SOLO, 38., 2023, Florianópolis. Anais [...]. Florianópolis: Epagri, 2023. p. 110. Ref. ID 1206.
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1160243-
dc.descriptionO objetivo do trabalho foi comparar dois modelos de machine-learning, Regressão Linear Múltipla (RLM) e Random Forest (RF), para a predição da distribuição da fração areia total do solo.
dc.language.isopor
dc.rightsopenAccess
dc.subjectMapeamento digital
dc.subjectModelos preditivos
dc.subjectGranulometria do solo
dc.titlePredição espacial de areia total através de machine learning: estudo de caso Projeto Salitre, Bahia.
dc.typeResumo em anais e proceedings
riaa.ainfo.id1160243
riaa.ainfo.lastupdate2023-12-27
dc.contributor.institutionGABRIELA DA ROCHA SALDANHA, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO
dc.contributor.institutionHELENA SARAIVA KOENOW PINHEIRO, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIROpt_BR
dc.contributor.institutionWALDIR DE CARVALHO JUNIOR, CNPSpt_BR
dc.contributor.institutionCESAR DA SILVA CHAGAS, CNPSpt_BR
dc.contributor.institutionNIRIELE BRUNO RODRIGUES, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIROpt_BR
dc.contributor.institutionERIKA ELISSANDRA CASSIMIRO RAMOS, UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIROpt_BR
dc.contributor.institutionLEONARDO DURVAL DUARTE GUIMARÃES, INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO MATO GROSSO.pt_BR
Aparece nas coleções:Resumo em anais de congresso (CNPS)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Predicao-espacial-de-areia-total-atraves-de-machine-learning-2023.pdf156 kBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace