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

Abstract

Palavras-chave: modelo digital de elevação, variáveisgeomorfométricas, classificação em estágio único, classificação hierárquica. ABSTRACT Soil maps are sources of important information for land planning and management, but are expensive to produce. This paper proposes testing and comparing single stage classification methods (Multiple Multinomial Logistic Regression and Bayes) and multiple stage classification methods (Classification and Regression Trees (CART), J48 and Logistic Model Trees (LMT)) using geographic information system and terrain parameters for producing soil maps with both original and simplified legend. The database was managed in ArcGis computer application in which the variables and the original INTRODUÇÃOMapas pedológicos são fontes de informações primordiais para planejamento e manejo de uso do solo. O Brasil possui grande parte de seu território coberto por mapas de solos pouco detalhados com escala de 1:1.000.000, produzidos a partir do ano de 1986 pelo projeto Radambrasil. Embora estejam disponíveis, esses dados têm escala muito pequena, não adequada para o gerenciamento municipal de propriedades rurais ou regiões de bacias hidrográficas. Mapas de solos mais detalhados, em escala maior, são escassos.Como os custos necessários para elaboração de mapas em escalas maiores são altos, métodos de mapeamento supervisionados estão sendo testados e analisados com a finalidade de produzir mapas pedológicos com baixo custo-benefício. 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). No aplicativo computacional ArcGis 9.2 (ESRI, 2006), foram geradas sete variáveis geomorfométricas: a) declividade, b) curvatura planar, c) perfil de curvatura, d) curvatura (combinação entre curvatura pla...

Prediction of soil orders with high spatial resolution: response of different classifiers to sampling density

“…Regarding the magnitude for omission and commission errors and overall accuracy, values were similar to those reported by Coelho & Giasson (2010) for decision trees in predicting soil classes from terrain variables at a coarser spatial resolution. Values found for overall accuracy in the present work were higher than those obtained by Giasson et al (2011), when predicting soil classes with high spatial resolution from terrain variables using several decision trees.…”

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.…”

“…O modelo de regressão logística permite avaliar a probabilidade de ocorrência de uma variável resposta, considerando os valores de uma série de variáveis independentes que podem ser qualitativas ou quantitativas (HENGL et al, 2007). Por ser utilizada mais que uma variável independente, o modelo é considerado múltiplo e, pelo fato de predizer mais que duas classes, é considerado multinomial (ou politômico); logo, o modelo é denominado de regressão logística múltipla multinomial (RLMM), que é uma generalização do modelo logístico simples (COELHO & GIASSON, 2010 A partir dos Planos de Informação (PI) dos nove atributos de terreno, foi extraído um conjunto de 20% de amostras (píxeis) de cada PI que constituíram os dados para a análise estatística multivariada. A ACP foi executada no pacote estatístico Statistical Analysis System (SAS) (KIM et al, 2007).…”

“…Esses dados foram tabulados em formato ASCII e processados para a geração da matriz de erros, da qual o Índice Kappa, a Acurácia do Usuário (AU) e a Acurácia do Mapeador (AM) são indicadores utilizados para atestar a qualidade dos mapeamentos preditivos (HENGL et al, 2007;COELHO & GIASSON, 2010).…”

Potencialidade do Índice de Posição Topográfica no Mapeamento Pedológico Preditivo em uma Sub-Bacia do Rio Capricórnio-PR

“…Além desses custos, leva-se bastante tempo para elaboração de mapas com escalas de maior detalhamento, utilizando métodos convencionais de mapeamento (COELHO, 2010;NOWATZKI, 2013).…”