Mapeamento digital de classes de solos: características da abordagem brasileira

Caten, Alexandre ten; Dalmolin, Ricardo Simão Diniz; Mendonça-Santos, Maria de Lourdes; Giasson, Élvio

doi:10.1590/s0103-84782012001100013

Cited by 14 publications

(16 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Acurácia dos três algoritmos e procedimentos de pré-processamento para as quatro matrizes de dados (1) . (Ten Caten et al, 2012). Por sua vez, a altitude na área está relacionada ao formato do relevo e declividade: nas cotas mais elevadas, a topografia é mais ondulada do que nas cotas inferiores, e a topografia condiciona a diferenciação dos solos.…”

Section: Resultsunclassified

“…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

“…Na ausência destas informações, há possibilidade de treinar os modelos preditivos em pontos de observação e amostragem de campo, na própria área de mapeamento; esta alternativa metodológica não tem registro na literatura consultada. Assim, espera-se que o mapa alcance acurácia comparável aos elaborados com outras técnicas, se o número de pontos de treinamento for equivalente ao usado para treinamento em áreas de referência (Ten Caten et al, 2012), já que o treinamento não depende da qualidade dos mapas preexistentes ou da impureza decorrente da generalização cartográfica (Sarmento et al, 2014).…”

Section: Introductionunclassified

See 2 more Smart Citations

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: Resultsunclassified

Section: Introductionunclassified

See 1 more Smart Citation

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

“…Tree-based models have been widely used in soil class prediction with DSM, due to ease of understanding and discussion, the ability to process large datasets, and robustness as a predictive technique (ten Caten et al, 2012;Bagatini et al, 2016). Following the same logic of conventional soil mapping, in which pedologists seek to establish conceptual relationships between soils and environmental parameters, DSM tree-based models can be used to correlate soil components or properties with environmental covariates, e.g., elevation and slope, to produce more detailed maps.…”

Section: Introductionmentioning

confidence: 99%

Spatial Disaggregation of Multi-Component Soil Map Units Using Legacy Data and a Tree-Based Algorithm in Southern Brazil

Machado

Giasson

Campos

et al. 2018

Rev. Bras. Ciênc. Solo

Self Cite

View full text Add to dashboard Cite

Soil surveys often contain multi-component map units comprising two or more soil classes, whose spatial distribution within the map unit is not represented. Digital Soil Mapping tools supported by information from soil surveys make it possible to predict where these classes are located. The aim of this study was to develop a methodology to increase the detail of conventional soil maps by means of spatial disaggregation of multi-component map units and to predict the spatial location of the derived soil classes. Three digital maps of terrain variables -slope, landforms, and topographic wetness indexwere correlated with the soil map and 72 georeferenced profiles from the Porto Alegre soil survey. Explicit rules that expressed regional soil-landscape relationships were formulated based on the resulting combinations. These rules were used to select typical areas of occurrence of each soil class and to train a decision tree model to predict the occurrence of individualized soil classes. Validation of the soil map predictions was conducted by comparison with available soil profiles. The soil map produced showed high agreement (80.5 % accuracy) with the soil classes observed in the soil profiles; Ultisols and Lithic Udorthents were predicted with greater accuracy. The soil variables selected in this study were suitable to represent the soil-landscape relationships, suggesting potential use in future studies. This approach developed a more detailed soil map relevant to current demands for soil information and has potential to be replicated in other areas in which data availability is similar.

show abstract

“…O desenvolvimento da análise digital de terreno e de tecnologias auxiliares para o mapeamento tem possibilitado a aplicação de novos métodos científicos nos levantamentos de solos (Caten et al, 2012). O MDS é pautado pela criação e alimentação de sistemas espaciais de informações de solos, com uso de modelos numéricos para inferir variações espaciais dos tipos de solos ou de suas propriedades, a partir de observações em campo e do conhecimento dos efeitos das variáveis ambientais sobre a gênese e morfologia dos solos (Lagacherie & McBratney, 2007).…”

Section: Introductionunclassified

Mapeamento digital de solos com base na extrapolação de mapas entre áreas fisiograficamente semelhantes

Höfig

Giasson

Vendrame

2014

Pesq. agropec. bras.

Self Cite

View full text Add to dashboard Cite

O objetivo deste trabalho foi testar metodologias de mapeamento digital de solos (MDS) e avaliar a possibilidade de extrapolação de mapas entre áreas fisiograficamente semelhantes. A área de referência para o treinamento do modelo localizou-se no Município de Sentinela do Sul, RS, e a extrapolação foi feita para o Município Cerro Grande do Sul, RS. Desenvolveram-se pelo MDS modelos com o uso de variáveis ambientais, como preditoras, e as classes de solos - obtidas de um levantamento convencional na escala 1:50.000 - como variáveis dependentes. Testou-se o uso combinado de dois modelos de árvore de decisão (AD), treinados em duas paisagens com diferentes classes de drenagem. Para Sentinela do Sul, a concordância dos mapas preditos com os produzidos pelo levantamento convencional foi avaliada por matrizes de erro. Como a importância dos erros de mapeamento é variável, criou-se uma matriz ponderada, para atribuir diferentes importâncias aos erros específicos de mapeamento entre as distintas unidades de mapeamento. A acurácia do mapa de Cerro Grande do Sul foi avaliada pela verdade de campo. A extrapolação dos mapas gera resultados satisfatórios, com acurácia maior do que 75%. O uso de modelos com duas AD separadas por paisagens homogêneas gera mapas extrapolados com maior acurácia, avaliada pela verdade de campo.

show abstract

Mapeamento digital de classes de solos: características da abordagem brasileira

Abstract: IV Mapeamento

Cited by 14 publications

References 23 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

Spatial Disaggregation of Multi-Component Soil Map Units Using Legacy Data and a Tree-Based Algorithm in Southern Brazil

Mapeamento digital de solos com base na extrapolação de mapas entre áreas fisiograficamente semelhantes

Contact Info

Product

Resources

About