Publicação
Avaliação de modelos de machine learning para a delimitação de “distritos” de solos em Portugal continental
| dc.contributor.author | Carvalho Conceição, Mariana | |
| dc.contributor.institution | Instituto de Geografia e Ordenamento do Território | |
| dc.contributor.supervisor | Garcia, Ricardo Alexandre Cardoso | |
| dc.contributor.supervisor | Rocha, Fernando Jorge Pedro da Silva Pinto da | |
| dc.date.accessioned | 2026-01-07T11:20:01Z | |
| dc.date.available | 2026-01-07T11:20:01Z | |
| dc.date.issued | 2025 | |
| dc.description | Este trabalho foi desenvolvido no âmbito do concurso Science4Policy 2024 (S4P-24), o concurso de Estudos de Ciência para as Políticas Públicas, uma iniciativa do Centro de Planeamento e Avaliação de Políticas Públicas em parceria com a Fundação para a Ciência e Tecnologia, I.P., e financiada pelo Plano de Recuperação e Resiliência. Projeto ML-SOIL (2024.00178.S4P24), Modelação Coparticipativa de Distritos de Solo com base em Machine learning. | |
| dc.description.abstract | Segundo a proposta de diretiva do Parlamento Europeu “Proposal for a Directive of the European Parliament and of the Council on Soil Monitoring and Resilience (Soil Monitoring Law)”, cerca de 60% a 70% dos solos encontram-se em estado “não saudável” na União Europeia, onde um problema comum a todos os estados-membros é a rápida e contínua degradação dos mesmos. Esta diretiva propõe o estabelecimento de Distritos de Solo, que atuam como entidades para a monitorização e governança eficaz do solo. Devido à heterogeneidade das tipologias de solo e do uso do solo em Portugal continental, a delimitação dos Distritos de Solo torna-se complexa, sendo por isso necessário uma metodologia que integre os sistemas de informação geográfica e modelos de machine learning, como o algoritmo de Bethel, o Random Forest (RF) com Multidimensional Scaling (MDS) e K-means, o Agglomerative Hierarchical Clustering (AHC), o Fuzzy C-means (FCM) e o Density-Based Spatial Clustering of Application with Noise (DBSCAN). O algoritmo de Bethel resulta no número de amostras necessárias dependendo das variáveis de input utilizadas, porém, resulta também o número de Distritos de Solo para albergar as mesmas, não mostrando a sua distribuição espacialmente. Pelo contrário, os restantes algoritmos testados mostram a divisão dos Distritos de Solo espacialmente, sendo de destacar pela negativa o DBSCAN e pela positiva o AHC e o FCM, uma vez que foram os algoritmos que mostraram hipóteses de divisões territoriais não muito conservadoras. A delimitação destes Distritos de Solo é fundamental e importante para as futuras monitorizações da qualidade e saúde do solo do território nacional, uma vez que para além de facilitar a escolha do local a ser recolhida a amostra de solo constrói-se uma rede de monitorização organizada e com informação robusta e fiável. | pt |
| dc.description.abstract | According to the European Parliament's proposal for a directive, “Proposal for a Directive of the European Parliament and of the Council on Soil Monitoring and Resilience (Soil Monitoring Law),” around 60% to 70% of soils in the European Union are in an “unhealthy” state, with rapid and continuous degradation being a common problem across all member states. This directive proposes the establishment of Soil Districts, which act as entities for effective soil monitoring and governance. Due to the heterogeneity of soil types and land use in mainland Portugal, the delimitation of Soil Districts is complex, requiring a methodology that integrates geographic information systems and machine learning models such as the Bethel algorithm, Random Forest (RF) with Multidimensional Scaling (MDS) and K-means, Agglomerative Hierarchical Clustering (AHC), Fuzzy C-means (FCM), and Density-Based Spatial Clustering of Application with Noise (DBSCAN). The Bethel Algorithm results in the number of samples needed depending on the input variables used, but it also results in the number of Soil Districts to house them, without showing their spatial distribution. On the contrary, the remaining algorithms tested show the division of Soil Districts spatially, with DBSCAN standing out negatively and AHC and FCM positively, since they were the algorithms that showed possibilities for territorial divisions that were not very conservative. The delimitation of these Soil Districts is fundamental and important for future monitoring of soil quality and health in the national territory, since, in addition to facilitating the choice of the location where the soil sample is to be collected, it builds an organized monitoring network with robust and reliable information. | en |
| dc.format | application/pdf | |
| dc.identifier.tid | 204095212 | |
| dc.identifier.uri | http://hdl.handle.net/10400.5/116503 | |
| dc.language.iso | por | |
| dc.subject | Soil Districts | |
| dc.subject | Machine learning | |
| dc.subject | GIS | |
| dc.subject | Monitoring | |
| dc.subject | Distritos de Solo | |
| dc.subject | Modelação | |
| dc.subject | SIG | |
| dc.subject | Monitorização | |
| dc.title | Avaliação de modelos de machine learning para a delimitação de “distritos” de solos em Portugal continental | pt |
| dc.title | Evaluation of Machine Learning Models for the Delineation of Soil “Districts” in Mainland Portugal Notas importantes sobre a escolha dos termos | en |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess |
Ficheiros
Principais
1 - 1 de 1
A carregar...
- Nome:
- Concei_o_Mariana_TM_2025.pdf
- Tamanho:
- 8.99 MB
- Formato:
- Adobe Portable Document Format