Digital soilscape mapping of tropical hillslope areas by neural networks

CarvalhoJunior, Waldir de; Chagas, C. da S.; Filho, Elpídio Inácio Fernandes; Vieira, Carlos Antônio Oliveira; Schaefer, Carlos Ernesto Gonçalves Reynaud; Bhering, S. B.; Francelino, Márcio Rocha

doi:10.1590/s0103-90162011000600014

Cited by 12 publications

(9 citation statements)

References 10 publications

(9 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

“…Esses atributos do terreno têm sido reconhecidos como os mais efetivos para a realização de levantamento de solos de média escala (Chagas et al, 2010;Carvalho Júnior et al, 2011).…”

Section: Covariáveis Ambientaisunclassified

Método do hipercubo latino condicionado para a amostragem de solos na presença de covariáveis ambientais visando o mapeamento digital de solos

Júnior

Chagas

Muselli

et al. 2014

Rev. Bras. Ciênc. Solo

Self Cite

View full text Add to dashboard Cite

(2) RESUMO A amostragem é uma das etapas mais importantes dos levantamentos de solos. No entanto, os esquemas de amostragem utilizados nos levantamentos convencionais têm se evidenciado inadequados para o mapeamento digital de solos, pois podem comprometer os resultados e, além disso, não possibilitam a realização de análises estatísticas. Este estudo teve por objetivo avaliar o método de amostragem do hipercubo latino condicionado (cLHS, sigla em inglês), na presença de covariáveis ambientais (elevação, declividade, curvatura e mapa de uso e cobertura do solo), em comparação com a amostragem aleatória, na alocação de 100 pontos amostrais, buscando maior representatividade das características ambientais da bacia do rio Guapi-Macacu. O desempenho dos métodos foi avaliado pela análise qualitativa dos histogramas de frequência e das análises estatísticas pelos testes F, T de Student e Kolmogorov-Smirnov (K-S), para cada covariável. Os resultados apresentaram que os pontos selecionados pelo método cLHS possuíam distribuição geográfica mais adequada do que aqueles obtidos pela amostragem aleatória. Além disso, o método cLHS preservou mais a distribuição de frequência das covariáveis contínuas do que a amostragem aleatória; para covariável categórica uso e cobertura do solo os métodos foram equivalentes. Os testes estatísticos confirmaram o melhor desempenho do método cLHS, cujas amostras não diferiram estatisticamente da bacia. Entretanto, a amostragem aleatória apresentou diferença estatística para com a bacia, para todas as covariáveis

show abstract

“…Artigos (CARVALHO JUNIOR et al, 2011;GIASSON et al, 2011;TEN CATEN et al, 2011a; TEN Ciência Rural, v.42, n.11, nov, 2012. CATEN et al, 2011b;TEN CATEN et al, 2011c).…”

Section: Metodologia Adotadaunclassified

“…Estudos em que foram aplicados os limites administrativos dos municípios podem ter sua posterior utilização dificultada pelo fato de uma bacia hidrográfica de erros é uma boa alternativa para determinar a natureza e a frequência dos erros envolvidos, contudo, caso a matriz seja gerada de maneira inapropriada, sem ser representativa dos dados, a sua interpretação não terá valor (CONGALTON, 1991). Entre os estudos, em apenas três casos, foi avaliada a acurácia do mapeamento com dados de campo (CHAGAS et al, 2010;TEN CATEN et al, 2011b;CARVALHO JUNIOR et al, 2011). Predomina entre os estudos apenas a avaliação do potencial de reprodução do mapa original a partir dos modelos preditivos, que pode não ser uma abordagem eficaz para indicar a qualidade do mapa de solos gerado, dado que o mapa original pode apresentar erros.…”

Section: Distribuição E Dimensão Dos Estudosunclassified