Extrapolação das relações solo-paisagem a partir de uma área de referência

Caten, Alexandre ten; Dalmolin, Ricardo Simão Diniz; Pedron, Fabrício de Araújo; Mendonça-Santos, Maria de Lourdes

doi:10.1590/s0103-84782011000500012

Cited by 17 publications

(13 citation statements)

References 5 publications

(5 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Em face da demanda permanente por mapeamento pedológico para planejamento da gestão e ocupação racional das terras no Brasil, as limitações para a aquisição de dados de solos têm levado ao estudo de técnicas de mapeamento digital de solos (MDS) Chagas et al, 2010), cuja principal abordagem é a predição das classes ou propriedades de solos por meio de modelos (Carvalho Junior et at., 2011;Giasson et al, 2011), ou mesmo associações de classes de solo nesses níveis hierárquicos (Giasson et al, 2006;Ten Caten et al, 2011). No 3.º e 4.º níveis, os solos são frequentemente classificados a partir de características de mais difícil associação com processos morfogenéticos do solo (Ten Caten et al, 2012) e, assim, de difícil predição por métodos que utilizem apenas variáveis como as do relevo, obtidas de modelos digitais de elevação de baixa resolução (por exemplo, 30 m).…”

Section: Introductionunclassified

Predição de classes de solo por mineração de dados em área da bacia sedimentar do São Francisco

Dias

Coelho

Valladares

et al. 2016

Pesq. agropec. bras.

View full text Add to dashboard Cite

Resumo -O objetivo deste trabalho foi avaliar diferentes estratégias para a predição da distribuição de classes de solo em mapas pedológicos digitais de áreas sem dados de referência, na bacia sedimentar do São Francisco, no Norte de Minas Gerais. As estratégias incluíram: o detalhamento da legenda, o treinamento por observações em campo, a ampliação do conjunto de treinamento e o uso de diferentes algoritmos de mineração de dados. Foram elaboradas quatro matrizes, diferenciadas pelo volume de dados, para o aprendizado dos algoritmos, e pelo nível taxonômico das classes de solo a serem preditas. Avaliou-se o desempenho dos algoritmos de aprendizado de máquina -Random Forest, J48 e MLP -, associados a procedimentos de discretização, balanceamento de classes, seleção de variáveis e expansão do conjunto de treinamento. O balanceamento de classes, a discretização de variáveis por frequências iguais e o algoritmo Random Forest apresentaram os melhores desempenhos. A extensão da representatividade das observações em campo, que presume uma área de treinamento mais ampla, não trouxe ganho preditivo. A generalização taxonômica para subordem diminui a fragmentação dos polígonos mapeados e aumenta a acurácia dos mapas pedológicos digitais. Quando são produzidos após treinamento por observações de solo in situ, na área de mapeamento, os mapas pedológicos digitais têm valores de acurácia equivalentes aos dos treinados em mapas preexistentes.Termos para indexação: acurácia de mapas pedológicos, algoritmos de classificação, mapa digital de solos, variáveis preditivas do meio físico. Soil class prediction by data mining in an area of the sedimentary São Francisco basinAbstract -The objective of this work was to evaluate different strategies for the prediction of soil class distribution on digital soil maps of areas without reference data, in the sedimentary basin of San Francisco, in the north of the state of Minas Gerais, Brazil. The strategies included: taxonomic generalization, training by field observations, training set expansion, and the use of different data mining algorithms. Four matrices were developed, differentiated by the volume of data for machine learning and by soil taxonomic levels to be predicted. The performance of the machine learning algorithms -Random Forest, J48, and MLP -, associated with discretization, class balancing, variable selection, and expansion of the training set was evaluated. Class balancing, variable discretization by equal frequencies, and the Random Forest algorithm showed the best performances. The representativeness extension of field observations, that assumes a larger training area, brought no predictive gain. Soil taxonomic generalization to the suborder level reduces the fragmentation of mapped polygons and improves the accuracy of digital soil maps. When generated by training on in situ soil observations at the mapping area, digital soil maps are as accurate as those trained on preexistent maps.

show abstract

Section: Introductionunclassified

Predição de classes de solo por mineração de dados em área da bacia sedimentar do São Francisco

Dias

Coelho

Valladares

et al. 2016

Pesq. agropec. bras.

View full text Add to dashboard Cite

show abstract

“…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).…”

Section: Introductionmentioning

confidence: 99%

Digital soil mapping: strategy for data pre-processing

Caten

Dalmolin

Ruiz

2012

Rev. Bras. Ciênc. Solo

Self Cite

View full text Add to dashboard Cite

SUMMARYThe region of greatest variability on soil maps is along the edge of their polygons, causing disagreement among pedologists about the appropriate description of soil classes at these locations. The objective of this work was to propose a strategy for data pre-processing applied to digital soil mapping (DSM). Soil polygons on a training map were shrunk by 100 and 160 m. This strategy prevented the use of covariates located near the edge of the soil classes for the Decision Tree (DT) models. Three DT models derived from eight predictive covariates, related to relief and organism factors sampled on the original polygons of a soil map and on polygons shrunk by 100 and 160 m were used to predict soil classes. The DT model derived from observations 160 m away from the edge of the polygons on the original map is less complex and has a better predictive performance.

show abstract

“…A área abrange uma região transitória entre o Planalto Médio e a Depressão Central do Rio Grande do Sul (RS), de onde se obtiveram dados de um levantamento convencional de solos, por meio de fotointerpretação e verificação a campo das classes de solos presentes. A região mapeada pela metodologia convencional é denominada área de referência e encontra-se detalhadamente descrita em ten Caten et al (2011a).…”

Section: Methodsunclassified

Estatística multivariada aplicada à diminuição do número de preditores no mapeamento digital do solo

Caten

Dalmolin

Pedron

et al. 2011

Pesq. agropec. bras.

Self Cite

View full text Add to dashboard Cite

O objetivo deste trabalho foi avaliar a possibildade de se gerar um menor conjunto de preditores não correlacionados e potencialmente aplicáveis ao mapeamento digital de solos, pelo uso da estatística multivariada. Os atributos de terreno, elevação, declividade, distância à drenagem, curvatura planar, curvatura de perfil, radiação relativa disponível, logaritmo natural da área de contribuição, índice de umidade topográfica e capacidade de transporte de sedimento, foram transformados pelo método Varimax nas variáveis: altimetria, hidrologia e curvatura. Essa transformação representou uma concentração de 65,57% da variabilidade dos dados originais nas três novas componentes. As novas variáveis possibilitam o emprego de menor quantidade de dados nos modelos preditivos, além do fato de serem não correlacionados. A rotação Varimax permite que a relação com o ambiente de formação do solo seja explicitamente inserida nos modelos preditivos.

show abstract

Extrapolação das relações solo-paisagem a partir de uma área de referência

Abstract: RESUMO

Cited by 17 publications

References 5 publications

Predição de classes de solo por mineração de dados em área da bacia sedimentar do São Francisco

Predição de classes de solo por mineração de dados em área da bacia sedimentar do São Francisco

Digital soil mapping: strategy for data pre-processing

Estatística multivariada aplicada à diminuição do número de preditores no mapeamento digital do solo

Contact Info

Product

Resources

About