Mineração de dados para inferência de relações solo-paisagem em mapeamentos digitais de solo

Abstract

Resumo -O objetivo deste trabalho foi desenvolver uma metodologia para mapeamento digital de solos na escala 1:100.000 com a aplicação de técnicas de mineração de dados a descritores de relevo e a dados de mapas geológico e pedológico preexistentes. Foi criada uma base de dados digitais a partir de cartas topográfi cas e temáticas, que permitiu elaboração do modelo digital de elevação (MDE) da folha Dois Córregos, SP (escala 1:50.000). A partir do MDE, foram calculados os parâmetros geomorfométricos declividade, curvaturas em planta e perfi l, área de contribuição e distância diagonal de drenagem. A matriz que associou esses dados georreferenciados foi analisada por meio de árvores de decisão, no ambiente de aprendizado de máquina Weka, o que gerou um modelo de predição de unidades de mapeamento de solos. A acurácia geral do modelo aumentou de 54 para 61% com a eliminação das classes com probabilidade nula de ocorrência. A associação da mineração de dados com sistemas de informações geográfi cas permite a elaboração de mapas digitais passíveis de uso em estudos que requeiram menor detalhamento que aqueles realizados com o mapa original.Termos para indexação: árvores de decisão, levantamento pedológico, parâmetros geomorfométricos, sistemas de informação geográfi ca. Data mining to infer soil-landscape relationships in digital soil mappingAbstract -The objective of this work was to develop a methodology for digital soil mapping at a 1:100,000 scale by applying data mining techniques to preexisting relief descriptors and data from pedological and geological maps. A digital database was created from topographic and thematic maps, and allowed the generation of a digital elevation model (DEM) of the Dois Córregos (SP, Brazil) sheet (1:50,000 scale). The slope gradient, slope profi le, contour profi le, basin contributing area, and diagonal distance to drainage geomorphometric parameters were extracted from the DEM. The matrix which associated this georeferred data was analyzed by means of decision trees within the Weka machine-learning environment, and a model for soil mapping unit prediction was generated. The overall model accuracy increased from 54 to 61% when soil classes with no chances of being predicted were excluded. The association of data mining techniques with geographical information systems produced digital soil maps feasible to be used in studies requiring less detail than those made with the original reference soil maps.

Digital soil mapping: strategy for data pre-processing

“…In approximately 60 % of the points (pixels) on the landscape, the same class existing on the original map was attributed by the models to the predictive maps (Table 1). This value is greater than the values found in the literature of 43 % (Crivelenti et al, 2009), 38.6 % (Coelho & Giasson, 2010 and 51.8 % (Giasson et al, 2011). In spite of a greater prediction quality obtained in this study in relation to the studies found in the literature, it may be observed that with the displacement of 100 m, the class ACha2 was not predicted.…”

“…According to Qi & Zhu (2003), the basic idea of formalization of the soil-landscape relationships contained in choropleth soil maps consists of recovering pedological knowledge contained in the map by application of data mining techniques. The information of the soil polygons on choropleth maps has proven to be applicable to DSM (Crivelenti et al, 2009;Giasson et al, 2011;ten Caten et al, 2011a).…”

Classification of the Initial Development of Eucaliptus Using Data Mining Techniques

“…In order to have this correction in the individual wood volume, it used the form factor equal to 0.4 (OLIVEIRA et al, 2009). The Huber's formula, adapted and described by Péllico Netto (2004), is obtained by the product of the sectional area (taken by half of the section) and sectional length determined by equation 1.…”

“…Among the computational techniques used to interfere in the development of eucalyptus, due to heterogeneity found in the soil, data mining techniques aim to find patterns in large amount of data to infer a dependent variable from a set of features associated with this variable (CRIVELENTI et al, 2009).…”

Mapeamento pedológico digital da folha Botucatu (SF-22-Z-B-VI-3): treinamento de dados em mapa tradicional e validação de campo

“…As cartas topográficas 1:50.000 do Instituto Brasileiro de Geografia e Estatística (IBGE) e disponíveis em formato raster (http://www.ibge.gov.br/home/ geociencias/cartografia/default.shtm) foram vetorizadas no programa ArcGIS, obtendo-se os planos de informação (PIs): malha viária, composto de ferrovias, caminhos, estradas de terra, estradas pavimentadas e rodovias; hidrografia, composto de rios e lagos/represas; hipsometria, que compreende curvas de nível e pontos cotados; e manchas urbanas, digitalizadas em polígonos. O mapa temático de geologia (polígonos e linhas) na escala 1:500.000 (IPT, 1981b) e as cartas pedológicas das quadrículas de Brotas (Almeida et al, 1981) e Piracicaba (Oliveira & Prado, 1989) Crivelenti et al (2009), selecionaram-se variáveis morfométricas para a composição do banco de dados: curvatura em perfil, curvatura em planta, distância diagonal e declividade. Os protocolos de treinamento foram completados com a seleção das variáveis: altitude, direção de fluxo e índice topográfico combinado (Moore et al, 1993;Irvin et al, 1997;Carvalho Júnior et al, 2003;Borges et al, 2005;Chagas, 2006;Valladares & Hot, 2006).…”