Digital soil mapping using multiple logistic regression on terrain parameters in southern Brazil

Abstract

Soil surveys are necessary sources of information for land use planning, but they are not always available. This study proposes the use of multiple logistic regressions on the prediction of occurrence of soil types based on reference areas. From a digitalized soil map and terrain parameters derived from the digital elevation model in ArcView environment, several sets of multiple logistic regressions were defined using statistical software Minitab, establishing relationship between explanatory terrain variables and soil types, using either the original legend or a simplified legend, and using or not stratification of the study area by drainage classes. Terrain parameters, such as elevation, distance to stream, flow accumulation, and topographic wetness index, were the variables that best explained soil distribution. Stratification by drainage classes did not have significant effect. Simplification of the original legend increased the accuracy of the method on predicting soil distribution. Key words: GIS, DEM, soil survey, terrain analysis MAPEAMENTO DIGITAL DE SOLOS UTILIZANDO REGRESSÕES LOGÍSTICAS MÚLTIPLAS E PARÂMETROS DO TERRENO NO SUL DO BRASILRESUMO: Os levantamentos de solos são fontes de informação necessárias para o planejamento de uso das terras, entretanto eles nem sempre estão disponíveis. Este estudo propõe o uso de regressões logísticas múltiplas na predição de ocorrência de classes de solos a partir de áreas de referência. Baseado no mapa original de solos em formato digital e parâmetros do terreno derivados do modelo numérico do terreno em ambiente ArcView, vários conjuntos de regressões logísticas múltiplas foram definidas usando o programa estatístico Minitab, estabelecendo relações entre as variáveis do terreno independentes e tipos de solos, usando tanto a legenda original como uma legenda simplificada, e usando ou não estratificação da área de estudo por classes de drenagem. Os parâmetros do terreno como elevação, distância dos rios, acúmulo de fluxo e índice de umidade topográfica foram as variáveis que melhor explicaram a distribuição das classes de solos. A estratificação por classes de drenagem não teve efeito significativo. A simplificação da legenda aumentou a precisão do método na predição da distribuição dos solos. Palavras-chave: levantamento de solos, SIG, MNT, análise do terreno

Decision trees for digital soil mapping on subtropical basaltic steeplands

“…Several approaches have been applied in DSM: logist ic regressions Giasson et al, 2006;Giasson et al, 2008), discriminant analysis (Bell et al, 2000;Pavlik and Hole, 1997), fuzzy logic (Zhu, 1997), kriging (Voltz at al., 1997;Knotters at al., 1995), and decision trees (Lagacherie and Holmes, 1997;Bui and Moran, 2001). Classification and regression tree analysis represent a supervised approach to classification.…”

Comparação de métodos para mapeamento digital de solos com utilização de sistema de informação geográfica

“…Para LAGACHERIE & MCBRATNEY (2007), o mapeamento digital de solos se baseia na geração de sistemas de informações que permitem estabelecer relações matemáticas entre variáveis ambientais e classes de solos e, assim, predizer a distribuição espacial das classes de solos. Alguns métodos de mapeamento digital de solos já estão sendo utilizados, como regressões logísticas múltiplas multinomiais (GIASSON et al, 2006;CAMPLING et al, 2002), modelos logísticos com aplicação de componentes principais (TEN CATEN et al, 2009), redes neurais artificiais (SIRTOLI, 2008), classificação hierárquica e support vector machine (SVM) (BEHRENS & SCHOLTEN, 2007).…”

“…Para LAGACHERIE & MCBRATNEY (2007), o mapeamento digital de solos se baseia na geração de sistemas de informações que permitem estabelecer relações matemáticas entre variáveis ambientais e classes de solos e, assim, predizer a distribuição espacial das classes de solos. Alguns métodos de mapeamento digital de solos já estão sendo utilizados, como regressões logísticas múltiplas multinomiais (GIASSON et al, 2006; CAMPLING et al, 2002), modelos logísticos com aplicação de componentes principais (TEN CATEN et al, 2009), redes neurais artificiais (SIRTOLI, 2008), classificação hierárquica e support vector machine (SVM) (BEHRENS & SCHOLTEN, 2007).Considerando-se que classificadores hierárquicos têm a capacidade de converter processos de decisão complexos em uma série de decisões simples (BREIMAN et al, 1984), aumentando, em geral, a acurácia dos resultados, o presente trabalho tem por objetivo comparar métodos de classificação em estágio único (CEU), como regressão logística múltipla multinomial (RLMM) e classificador de Bayes, e métodos de classificação hierárquica, como LMT (Logistic Model Trees), CART (Classification and Regression Trees) e o algoritmo J48 (também conhecido como C4.5), para produção de mapas detalhados de solos a partir de variáveis geomorfométricas de uma área de referência com utilização de legenda original e simplificada. (RABUS et al, 2003).…”

Componentes principais como preditores no mapeamento digital de classes de solos

“…O índice kappa dos mapas gerados a partir dos preditores atributos de terreno e CP foi de 48,5%. Este valor é superior aos 36% determinados por GIASSON et al (2006), aos 38% encontrados por FIGUEIREDO et al (2008) e de 32,81% em estudos de COELHO & GIASSON (2010). Por sua vez, o uso dos CP como preditores repercutiu em um valor de kappa de 37,3% o que representa uma diminuição de 11 pontos percentuais em relação ao mapa predito utilizando-se de toda a variabilidade dos dados originais.…”