Atributos topográficos e dados do Landsat7 no mapeamento digital de solos com uso de redes neurais

Chagas, C. da S.; Filho, Elpı́dio Inácio Fernandes; Vieira, Carlos Antônio Oliveira; Schaefer, Carlos Ernesto Gonçalves Reynaud; Júnior, Waldir de Carvalho

doi:10.1590/s0100-204x2010000500009

Cited by 25 publications

(31 citation statements)

References 25 publications

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

“…Para a amostragem aleatória, observouse diferença significativa para a distribuição dos dados na comparação com a bacia. Chagas et al (2010) e Pinheiro (2012) em seus estudos verificaram estreita relação entre a curvatura do terreno e o grau de evolução dos solos. Na área da bacia, a curvatura influenciou diretamente a distribuição dos Latossolos e Cambissolos nas partes mais elevadas, com o primeiro ocupando as áreas convexas e o segundo as mais côncavas.…”

Section: Resultsunclassified

“…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

“…4. where a is the parameter defining the slope of the function. In this study, the dataset of the 108 trials was normalized in the interval from 0 to 1, according to Chagas et al (2010), and randomly divided into subsets: training subset data (98 trials) and validation subset data (10 trials); the latter was used for the discussion of the results of the model. As in Santos et al (2012), the strategy of cross-validation was employed in this study, with 20% of the training data used to estimate the performance of the ANN and determine the moment to interrupt the training, in order to avoid excessive training.…”

Section: Methodsmentioning

confidence: 99%

Artificial neural network model for simulation of water distribution in sprinkle irrigation

Menezes

Azevedo

Eyng

et al. 2015

Rev. bras. eng. agríc. ambient.

View full text Add to dashboard Cite

A B S T R A C TDetermining uniformity coefficients of sprinkle irrigation systems, in general, depends on field trials, which require time and financial resources. One alternative to reduce time and expense is the use of simulations. The objective of this study was to develop an artificial neural network (ANN) to simulate sprinkler precipitation, using the values of operating pressure, wind speed, wind direction and sprinkler nozzle diameter as the input parameters. Modelo em redes neurais artificiais para a simulação da precipitação na irrigação por aspersão R E S U M O A determinação dos coeficientes de uniformidade de distribuição da água dos sistemas de irrigação por aspersão depende, em geral, de ensaios em campo que envolvem tempo e recursos financeiros. Uma alternativa para reduzir custo e tempo é a utilização de simulações. Objetivou-se, com este trabalho, o desenvolvimento de um modelo em redes neurais artificiais (RNA) para simular a precipitação de um aspersor cujos parâmetros de entrada são os valores de pressão de operação, velocidade do vento, direção do vento e diâmetro do bocal do aspersor. Ensaios foram feitos em campo com um aspersor operando em uma malha de 16 x 16 coletores com espaçamento de 1,5 m e diferentes combinações de bocais, pressões e condições de vento. O modelo RNA apresentou bons resultados na simulação da precipitação com correlação de Spearman (r s ) entre os dados obtidos em ensaio de campo e os dados simulados, apresentando valores entre 0,92 e 0,97 e índice de concordância de Willmott (d) entre 0,950 e 0,991 para dez ensaios analisados. O modelo RNA mostrou-se promissor na simulação da precipitação em sistemas de irrigação por aspersão. Key words:sprinkler water distribution uniformity artificial intelligence computational model Palavras-chave: aspersor uniformidade de distribuição de água inteligência artificial modelo computacional

show abstract

Atributos topográficos e dados do Landsat7 no mapeamento digital de solos com uso de redes neurais

Cited by 25 publications

References 25 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

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

Artificial neural network model for simulation of water distribution in sprinkle irrigation

Contact Info

Product

Resources

About