Seleção de bandas espectrais apoiada pela meta-heurística PSO para predição do teor de alumínio de amostras de solo

  • Arion de Campos Jr. UEPG
  • José Carlos F. da Rocha UEPG
  • Giancarlo Rodrigues UEPG

Resumo


ERD-IR é uma técnica que pode ser utilizada para criar um modelo de predição do teor de nutrientes do solo ao correlacionar os dados de amostras ao respectivo valor de referência obtido por análise química. Tais dados são dispostos como atributos de um conjunto de registros de alta dimensionalidade e elaborar um modelo a partir desses dados envolve dificuldades que prejudicam seu desempenho. Para superar tais dificuldades, a utilização de algoritmos evolucionários para Seleção de Atributos tem se mostrado promissora. O objetivo deste artigo é identificar, com o apoio da meta-heurística de Otimização por Enxame de Partículas, os comprimentos de onda relevantes à predição do teor de alumínio de amostras de solo da região dos Campos Gerais. Resultados sugerem que, para este cenário, poucas iterações e tamanho de enxame reduzido fornecem os melhores subconjuntos.

Referências

Akaike, H. (1998). Information Theory and an Extension of the Maximum Likelihood Principle. In Selected Papers of Hirotugu Akaike. Springer Series in Statistics (Perspectives in Statistics), pages 199–213.

Clerc, M. (2012). Standard Particle Swarm Optimisation.

Fageria, N. K., Ballgar, V. C., and Wright, R. J. (1988). Aluminum toxicity in crop plants. Journal of Plant Nutrition, 11(3):303–319.

Kennedy, J. and Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN’95 International Conference on Neural Networks, volume 4, pages 1942–1948. IEEE.

Nguyen, H. B., Xue, B., Andreae, P., and Zhang, M. (2017). Particle Swarm Optimisation with genetic operators for feature selection. In 2017 IEEE Congress on Evolutionary Computation (CEC), pages 286–293. IEEE.

Rossel, R. V., Walvoort, D., McBratney, A., Janik, L., and Skjemstad, J. (2006). Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, 131(1-2):59–75.

Russell, S. and Norvig, P. (2010). Artificial Intelligence: A Modern Approach. Prentice Hall, 3 edition.

Symonds, M. R. E. and Moussalli, A. (2011). A brief guide to model selection, multimodel inference and model averaging in behavioural ecology using Akaike’s information criterion. Behavioral Ecology and Sociobiology, 65(1):13–21.

Tan, K. H. (2010). Principles of soil chemistry. CRC press, 4 edition.

Terra, F. S., Demattê, J. A., and Viscarra Rossel, R. A. (2015). Spectral libraries for quantitative analyses of tropical Brazilian soils: Comparing vis–NIR and mid-IR reflectance data. Geoderma, 255-256:81–93.

Tran, C. T., Zhang, M., Andreae, P., and Xue, B. (2016). Improving performance for classification with incomplete data using wrapper-based feature selection. Evolutionary Intelligence, 9(3):81–94.

Viniski, A. D. and Guimarães, A. M. (2017). Técnicas de seleção de atributos para mineração de dados de alta dimensionalidade gerados por espectroscopia no infravermelho próximo–NIR. In Anais SULCOMP, volume 8, Criciuma, SC.

Xue, B., Zhang, M., Browne, W. N., and Yao, X. (2016). A Survey on Evolutionary Computation Approaches to Feature Selection. IEEE Transactions on Evolutionary Computation, 20(4):606–626.
Publicado
08/11/2023
CAMPOS JR., Arion de; ROCHA, José Carlos F. da; RODRIGUES, Giancarlo. Seleção de bandas espectrais apoiada pela meta-heurística PSO para predição do teor de alumínio de amostras de solo. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 14. , 2023, Natal/RN. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 246-253. ISSN 2177-9724. DOI: https://doi.org/10.5753/sbiagro.2023.26565.