TRABALHOS FUTUROS

Algumas oportunidades de trabalhos futuros foram identificadas, as quais podem aprimorar os resultados deste trabalho ou então explorar novos caminhos da SSA evolutiva com algoritmo PSO. São elas:

1. Novos métodos de inicialização das partículas específicos à SSA: conforme Xue, Zhang e Browne (2014) relataram, inicializar as partículas do PSO de forma adequada à SSA permite que subconjuntos de qualidade superior sejam identificados, visto que a cobertura do espaço de busca será melhorada. Deste modo, sugere-se que novos métodos de inicialização sejam desenvolvidos e testados;

2. Comparação com outras metaheurísticas: inúmeras metaheurísticas estão disponíveis, as quais operam de forma distinta para procurar a solução ótima. À vista disso, sugere-se que os modelos de predição aqui obtidos com o PSO sejam comparados com aqueles de outras metaheurísticas a fim de investigar se essas identificam subconjuntos que produzem modelos com desempenho superior;

3. Aplicar transformação nos dados: pré-processar os dados através de transformações matemáticas é um método reconhecido para melhorar o desempenho de predição dos modelos gerados a partir de conjuntos de dados de ERD-IR, entretanto neste trabalho nenhuma transformação foi aplicada já que nosso objetivo foi investigar unicamente a aplicabilidade da SSA evolutiva com algoritmo PSO. Deste modo, sugere-se que o método aqui proposto seja reproduzido em conjuntos de dados transformados para identificar a combinação ideal de parâmetros a ser utilizada;

4. Utilizar outro atributo de interesse: neste trabalho a SSA buscou identificar atributos relevantes à predição do teor de alumínio trocável das amostras, porém nossos resultados não podem ser direcionados aos outros nutrientes do solo. Diante disso, sugere-se que o método aqui apresentado seja reproduzido com outros atributos de interesse para avaliar se seu desempenho de seleção assemelha-se aos aqui apresentados, o que comprovaria a robustez da técnica;

5. Tratar a SSA como um problema multi-objetivo: por conta do AIC considerar a complexidade do modelo e sua capacidade preditiva numa única equação, o problema da SSA foi modelado como mono-objetivo. No entanto, sugere-se modelar a SSA como um problema multi-objetivo para manipular cada critério – número de atributos e capacidade preditiva – separadamente e assim comparar os resultados obtidos com aqueles aqui apresentados.

REFERÊNCIAS

ABDI, D. et al. Predicting Soil Phosphorus-Related Properties Using Near-Infrared Reflectance Spectroscopy. Soil Science Society of America Journal, v. 76, n. 6, p. 2318– 2326, 2012. Disponível em: < http://dx.doi.org/10.2136/sssaj2012.0155>. Acesso em: 05 fev. 2018.

AKAIKE, H. Information Theory and an Extension of the Maximum Likelihood Principle. In: Selected Papers of Hirotugu Akaike. Springer Series in Statistics (Perspectives in Statistics). [s.l: s.n.]. p. 199–213. 1998. Disponível em: < http://dx.doi.org/10.1007/978-1- 4612-1694-0_15>. Acesso em: 02 dez. 2017.

BANDARU, S.; DEB, K. Metaheuristic Techniques. In: Decision Sciences. 1. ed. Boca

Ratón, FL: CRC Press, 2016. p. 693–750. Disponível em: <

http://dx.doi.org/10.1201/9781315183176-12>. Acesso em: 07 nov. 2017.

CLERC, M. Standard Particle Swarm Optimisation. 2012. Disponível em: <https://hal.archives-ouvertes.fr/hal-00764996>. Acesso em: 19 dez. 2017

DOS SANTOS, H. G. et al. Sistema brasileiro de classificação de solos. 2. ed. Brasília, DF: Embrapa Solos, 2006.

EBERHART, R. C.; SHI, Y. Comparison between genetic algorithms and particle swarm optimization. In: Lecture Notes in Computer Science: Evolutionary Programming VII.

[s.l: s.n.]. v. 1447, p. 611–616. 1998. Disponível em: <

http://dx.doi.org/10.1007/BFb0040812>. Acesso em: 14 set. 2018.

ENGELBRECHT, A. P. Computational Intelligence. 2. ed. Chichester, UK: John Wiley & Sons, Ltd, 2007. Disponível em: <http://dx.doi.org/10.1002/9780470512517>. Acesso em: 12 out. 2017.

FAGERIA, N. K.; BALLGAR, V. C.; WRIGHT, R. J. Aluminum toxicity in crop plants. Journal of Plant Nutrition, v. 11, n. 3, p. 303–319, 1988. Disponível em: < http://dx.doi.org/10.1080/01904168809363804>. Acesso em: 28 mai. 2018.

FRIEDMAN, M. A Comparison of Alternative Tests of Significance for the Problem of m Rankings. The Annals of Mathematical Statistics, v. 11, n. 1, p. 86–92, 1940. Disponível em: <http://dx.doi.org/10.1214/aoms/1177731944>. Acesso em: 25 jun. 2018.

GEBBERS, R.; ADAMCHUK, V. I. Precision Agriculture and Food Security. Science, v.

327, n. 5967, p. 828–831, 2010. Disponível em: <

http://dx.doi.org/10.1126/science.1183899>. Acesso em: 12 fev. 2017.

GHOLIZADEH, A. et al. Agricultural Soil Spectral Response and Properties Assessment: Effects of Measurement Protocol and Data Mining Technique. Remote Sensing, v. 9, n. 10, p. 1078-1091, 2017. Disponível em: <http://dx.doi.org/10.3390/rs9101078>. Acesso em: 07 dez. 2017.

HASSAN, R. et al. A Comparison of Particle Swarm Optimization and the Genetic Algorithm. 46th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and

Materials Conference. Anais...Reston, Virigina: American Institute of Aeronautics and Astronautics, 2005. Disponível em: <http://dx.doi.org/10.2514/6.2005-1897>. Acesso em: 14 set. 2018.

HOLLAND, J. H. Genetic algorithms. Scientific american, v. 267, n. 1, p. 66–73, 1992. Disponível em: <https://www.jstor.org/stable/24939139>. Acesso em: 10 set. 2017.

HURVICH, C. M.; TSAI, C.-L. Regression and time series model selection in small samples. Biometrika, v. 76, n. 2, p. 297–307, 1989. Disponível em: < http://dx.doi.org/10.1093/biomet/76.2.297>. Acesso em: 13 set. 2017.

JOVIC, A.; BRKIC, K.; BOGUNOVIC, N. A review of feature selection methods with applications. 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). Anais...IEEE, 2015. Disponível em: <http://dx.doi.org/10.1109/MIPRO.2015.7160458>. Acesso em: 5 mai. 2018.

KENNEDY, J.; EBERHART, R. Particle swarm optimization. Proceedings of ICNN’95 - International Conference on Neural Networks. Anais...IEEE, 1995. Disponível em: <http://dx.doi.org/10.1109/ICNN.1995.488968>. Acesso em: 14 abr. 2016.

KEOGH, E.; MUEEN, A. Curse of Dimensionality. In: Encyclopedia of Machine Learning and Data Mining. Boston, MA: Springer US, p. 314–315, 2017. Disponível em: <http://dx.doi.org/10.1007/978-1-4899-7687-1_192>. Acesso em: 06 out. 2017.

KOHAVI, R.; JOHN, G. H. Wrappers for feature subset selection. Artificial Intelligence, v. 97, n. 1–2, p. 273–324, 1997. Disponível em: <http://dx.doi.org/10.1016/S0004- 3702(97)00043-X>. Acesso em: 01 dez. 2017.

KUDO, M.; SKLANSKY, J. Comparison of algorithms that select features for pattern classifiers. Pattern Recognition, 2000. Disponível em: <http://dx.doi.org/10.1016/S0031- 3203(99)00041-2>. Acesso em: 1 dez. 2017.

LANGFORD, J. et al. Evolutionary Feature Selection and Construction. In: Encyclopedia of Machine Learning. Boston, MA: Springer US, p. 353–357, 2011. Disponível em: <http://dx.doi.org/10.1007/978-0-387-30164-8_279>. Acesso em: 06 out. 2017.

LIU, H.; YU, L. Toward integrating feature selection algorithms for classification and clustering. IEEE Transactions on Knowledge and Data Engineering, v. 17, n. 4, p. 491- 502, 2005. Disponivel em: <http://dx.doi.org/10.1109/TKDE.2005.66>. Acesso em: 10 jan. 2018.

LIU, Y. et al. An improved particle swarm optimization for feature selection. Journal of Bionic Engineering, v. 8, n. 2, p. 191–200, 2011. Disponível em: <http://dx.doi.org/10.1016/S1672-6529(11)60020-6>. Acesso em: 15 jan. 2017.

NAWAR, S. et al. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy. Soil and Tillage Research, v. 155, p. 510–522, 2016. Disponível em: <http://dx.doi.org/10.1016/j.still.2015.07.021>. Acesso em: 2 jan. 2017.

NGUYEN, B. H.; XUE, B.; ANDREAE, P. A Novel Binary Particle Swarm Optimization Algorithm and Its Applications on Knapsack and Feature Selection Problems. In: [s.l: s.n.]. p. 319–332. 2017. Disponível em: <http://dx.doi.org/10.1007/978-3-319-49049-6_23>. Acesso em: 03 mar. 2018.

NGUYEN, H. B. et al. Particle Swarm Optimisation with genetic operators for feature selection. 2017 IEEE Congress on Evolutionary Computation (CEC). Anais...IEEE, 2017. Disponível em: <http://dx.doi.org/10.1109/CEC.2017.7969325>. Acesso em: 03 mar. 2018.

NICOLETTI, M. DO C.; SANTORO, D. M. The influence of search mechanisms in feature subset selection processes. Intelligent Decision Technologies, v. 2, n. 4, p. 231–238, 2008. Disponível em: <http://dx.doi.org/10.3233/IDT-2008-2404>. Acesso em: 24 dez. 2017.

NOCITA, M. et al. Soil Spectroscopy: An Alternative to Wet Chemistry for Soil Monitoring. In: Advances in Agronomy. [s.l.] Academic Press, v. 132, p. 139–159, 2015. Disponível em: <http://dx.doi.org/10.1016/bs.agron.2015.02.002>. Acesso em: 06 dez. 2017.

PAVAN, M. A. et al. Manual de análise química de solo e controle de qualidade. Londrina: Iapar, 1992.

PROENÇA, Carlos Alberto. Redes neurais artificiais para predição dos teores de matéria orgânica e argila do solo na região dos Campos Gerais utilizando espectroscopia de reflectância difusa. 2012, 78 f. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2012.

QI, H. et al. Evaluating calibration methods for predicting soil available nutrients using hyperspectral VNIR data. Soil and Tillage Research, v. 175, p. 267–275, 2018. Disponível em: <http://dx.doi.org/10.1016/j.still.2017.09.006>. Acesso em: 04 abr. 2018.

RIEDEL, F. et al. Prediction of soil parameters using the spectral range between 350 and 15,000 nm: A case study based on the Permanent Soil Monitoring Program in Saxony,

Germany. Geoderma, v. 315, p. 188–198, 2018. Disponível em:

<http://dx.doi.org/10.1016/j.geoderma.2017.11.027>. Acesso em: 06 jun. 2018.

ROSSEL, R. A. V. et al. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, v. 131, n. 1– 2, p. 59–75, 2006. Disponível em: <http://dx.doi.org/10.1016/j.geoderma.2005.03.007>. Acesso em: 27 mai. 2018.

ROSSEL, R. A. V.; BEHRENS, T. Using data mining to model and interpret soil diffuse reflectance spectra. Geoderma, v. 158, n. 1–2, p. 46–54, 2010. Disponível em: <http://dx.doi.org/10.1016/j.geoderma.2009.12.025>. Acesso em: 15 mai. 2018.

ROSSEL, R. A. V.; MCBRATNEY, A. B. Soil chemical analytical accuracy and costs: implications from precision agriculture. Australian Journal of Experimental Agriculture, v. 38, n. 7, p. 765, 1998. Disponível em: <http://dx.doi.org/10.1071/EA97158>. Acesso em: 15 mai. 2018.

ROSSEL, R. A. V.; WEBSTER, R. Predicting soil properties from the Australian soil visible- near infrared spectroscopic database. European Journal of Soil Science, v. 63, n. 6, p. 848–

860, 2012. Disponível em: <http://dx.doi.org/10.1111/j.1365-2389.2012.01495.x>. Acesso em: 10 mai. 2018.

SARATHJITH, M. C. et al. Variable indicators for optimum wavelength selection in diffuse reflectance spectroscopy of soils. Geoderma, v. 267, p. 1–9, 2016. Disponível em: <http://dx.doi.org/10.1016/j.geoderma.2015.12.031>. Acesso em: 12 mai. 2018.

SORIANO-DISLA, J. M. et al. The Performance of Visible, Near-, and Mid-Infrared Reflectance Spectroscopy for Prediction of Soil Physical, Chemical, and Biological Properties. Applied Spectroscopy Reviews, v. 49, n. 2, p. 139–186, 2014. Disponível em: <http://dx.doi.org/10.1080/05704928.2013.811081>. Acesso em: 05 dez. 2017.

STUART, B. Infrared Spectroscopy : Fundamentals and Applications. [s.l.] J. Wiley, 2004.

SYMONDS, M. R. E.; MOUSSALLI, A. A brief guide to model selection, multimodel inference and model averaging in behavioural ecology using Akaike’s information criterion. Behavioral Ecology and Sociobiology, v. 65, n. 1, p. 13–21, 2011. Disponível em: <http://dx.doi.org/10.1007/s00265-010-1037-6>. Acesso em: 25 jan. 2018.

TAN, K. H. Principles of soil chemistry. 4. ed. [s.l.] CRC press, 2010.

TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introduction to data mining. [s.l.] Pearson Education Inc, 2009.

TEIXEIRA, S. Determinação de modelo de estimativa de teores de carbono em solos utilizando máquina de vetor de suporte e refletância espectral. 2014, 62 f. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2014.

TERRA, F. S.; DEMATTÊ, J. A. M.; VISCARRA ROSSEL, R. A. Spectral libraries for quantitative analyses of tropical Brazilian soils: Comparing vis–NIR and mid-IR reflectance

data. Geoderma, v. 255–256, p. 81–93, 2015. Disponível em:

<http://dx.doi.org/10.1016/j.geoderma.2015.04.017>. Acesso em: 02 fev. 2018.

TRAN, C. T. et al. Improving performance for classification with incomplete data using wrapper-based feature selection. Evolutionary Intelligence, v. 9, n. 3, p. 81–94, 2016. Disponível em: <dx.doi.org/10.1007/s12065-016-0141-6>. Acesso em 09 set. 2017.

VENDRAME, P. R. S. et al. The potential of NIR spectroscopy to predict soil texture and mineralogy in Cerrado Latosols. European Journal of Soil Science, v. 63, n. 5, p. 743–753, 2012. Disponível em: <http://dx.doi.org/10.1111/j.1365-2389.2012.01483.x>. Acesso em: 02 nov. 2017.

VINISKI, A. D.; GUIMARÃES, A. M. Técnicas de seleção de atributos para mineração de dados de alta dimensionalidade gerados por espectroscopia no infravermelho próximo--NIR. Anais SULCOMP. Anais... Criciuma, SC, 2017. Disponível em: <http://periodicos.unesc.net/sulcomp/article/view/3142>. Acesso em: 15 jan. 2018.

spectroscopy: Effects of spectral variable selection. Geoderma, v. 223–225, p. 88–96, 2014. Disponível em: <http://dx.doi.org/10.1016/j.geoderma.2014.01.013>. Acesso em: 15 nov. 2017.

VOHLAND, M. et al. Using Variable Selection and Wavelets to Exploit the Full Potential of Visible–Near Infrared Spectra for Predicting Soil Properties. Journal of Near Infrared

Spectroscopy, v. 24, n. 3, p. 255–269, 2016. Disponível em:

<http://dx.doi.org/10.1255/jnirs.1233>. Acesso em: 16 nov. 2017.

WANG, S.; TANG, J.; LIU, H. Feature Selection. In: Encyclopedia of Machine Learning and Data Mining. Boston, MA: Springer US, p. 503–511, 2017.

WU, J.; CHENG, E. A Novel Hybrid Particle Swarm Optimization for Feature Selection and Kernel Optimization in Support Vector Regression. 2010 International Conference on

Computational Intelligence and Security. Anais...IEEE, 2010. Disponível em:

<http://dx.doi.org/10.1109/CIS.2010.47>. Acesso em: 05 out. 2017.

XIAOBO, Z. et al. Variables selection methods in near-infrared spectroscopy. Analytica

Chimica Acta, v. 667, n. 1–2, p. 14–32, 2010. Disponível em:

<http://dx.doi.org/10.1016/j.aca.2010.03.048>. Acesso em: 11 nov. 2017.

XU, D. et al. Assessment of important soil properties related to Chinese Soil Taxonomy based on vis–NIR reflectance spectroscopy. Computers and Electronics in Agriculture, v. 144, p. 1–8, 2018a. Disponível em: <http://dx.doi.org/10.1016/j.compag.2017.11.029>.

XU, S. et al. Comparison of multivariate methods for estimating selected soil properties from intact soil cores of paddy fields by Vis–NIR spectroscopy. Geoderma, v. 310, p. 29–43, 2018b. Disponível em: <http://dx.doi.org/10.1016/j.geoderma.2017.09.013>.

XUE, B. et al. A Survey on Evolutionary Computation Approaches to Feature Selection. IEEE Transactions on Evolutionary Computation, v. 20, n. 4, p. 606–626, 2016. Disponível em: <http://dx.doi.org/10.1109/TEVC.2015.2504420>. Acesso em: 01 set. 2017.

XUE, B.; ZHANG, M.; BROWNE, W. N. Multi-objective particle swarm optimisation (PSO) for feature selection. Proceedings of the fourteenth international conference on Genetic and evolutionary computation conference - GECCO ’12. Anais... New York, USA: ACM Press, 2012. Disponível em: <http://dx.doi.org/10.1145/2330163.2330175>. Acesso em: 8 nov. 2017

XUE, B.; ZHANG, M.; BROWNE, W. N. Particle swarm optimisation for feature selection in classification: Novel initialisation and updating mechanisms. Applied Soft Computing, v. 18, p. 261–276, 2014. Disponível em: <http://dx.doi.org/10.1016/j.asoc.2013.09.018>. Acesso em: 10 abr. 2018.

ZHANG, Y. et al. A Comprehensive Survey on Particle Swarm Optimization Algorithm and Its Applications. Mathematical Problems in Engineering, v. 2015, p. 1–38, 2015. Disponível em: <http://dx.doi.org/10.1155/2015/931256>. Acesso em: 15 jul. 2017.