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

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.

Section: Resultsunclassified

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

“…Pesos atribuídos na ponderação dos erros de mapeamento, de acordo com similaridade das unidades de mapeamento quanto ao potencial de uso do solo. uma dificuldade comumente relatada em estudos desta natureza (Giasson et al, 2011;Caten et al, 2011b O uso de técnicas distintas no mapeamento, a qualidade das variáveis geomorfométricas utilizadas, derivadas do MDE, a densidade amostral (Sarmento et al, 2012), o tamanho da área de estudo ou a intensidade do efeito que o fator relevo exerce na gênese dos solos são os responsáveis pela variação nas acurácias entre diferentes MDS. Figueiredo et al (2008), por exemplo, utilizaram regressões logísticas múltiplas e encontraram acurácia geral de 58,7%, em Arroio Portão, RS.…”

Section: Resultsunclassified

“…Bui et al (1999) verificaram valores de 69%, em Toowoomba, Austrália, enquanto Crivelenti et al (2009) observaram acurácia geral de 54,24%, em trabalho com a folha de Dois Córregos, SP. Sarmento et al (2012), em estudo para predição de classe de solos no Vale dos Vinhedos, RS, com um MDE com 5 m de resolução e uma base cartográfica digital em escala 1:5.000, obtiveram acurácia geral de 71%.…”

Section: Resultsunclassified

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

Höfig

Giasson

Vendrame

2014

Self 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.

“…Diferentes interpoladores geoestatísticos, modelos e métodos de classificação permitiram gerar resultados e análises sobre o meio físico, tais como a topografia, erosão, atributos químicos, físicos e tipos de solo (Grego et al, 2012;Miqueloni et al, 2012;Pinheiro et al, 2012;Santi at al., 2012;Sarmento et al, 2012;Valladares et al, 2012;Weber & Fontana et al, 2012). Esses métodos também foram aplicados para análises sobre os recursos hídricos, como evapotranspiração, precipitação, balanço hídrico e bacias hidrográficas (Andrade et al, 2012;Carvalho et al, 2012;Facco et al, 2012;Manzione et al, 2012;Oliveira et al, 2012;Silva et al, 2012).…”

Section: Pesquisa Desenvolvimento E Inovações Geoespaciais Para a Agunclassified

Pesquisa, desenvolvimento e inovações geoespaciais para a agropecuária

Batistella¹,

Bolfe²

2012

A construção da atual liderança do Brasil em agricultura tropical é resultado de tecnologias geradas, adaptadas e implementadas ao longo das últimas décadas. A cultura da soja no Brasil é um dos principais exemplos de sucesso da pesquisa agropecuária; adaptada às condições brasileiras, o País será brevemente o maior produtor mundial. Mas são abundantes outros exemplos, igualmente exitosos. Entre 1975 e 2009, a oferta de carne bovina e suína foi multiplicada por quatro vezes, enquanto a de frango aumentou 22 vezes. A produção de leite aumentou de 7,9 bilhões para 27,6 bilhões de litros, e a produção de hortaliças elevou-se de 9 milhões de toneladas, em área de 771,36 mil hectares, para 19,3 milhões de toneladas, em 808 mil hectares, apenas para citar alguns exemplos de crescimento de produção e produtividade (Brasil, 2010). Políticas públicas e programas de pesquisa também conseguiram organizar tecnologias e sistemas de produção para aumento da eficiência da agricultura familiar, incorporando pequenos produtores ao agronegócio e garantindo melhoria de renda e bem-estar a esses produtores. Essas diferentes cadeias produtivas do setor agropecuário consolidam-se como estratégicas na economia brasileira e representam 26,4% do PIB nacional, 36% das exportações e 39% dos empregos gerados no mercado interno (Brasil, 2011).No entanto, as dimensões continentais do País, a diversidade de biomas e ecossistemas, os diferentes pacotes tecnológicos, a dinâmica espacial e a variabilidade temporal no uso e na cobertura das terras criam um cenário bastante complexo. Portanto, investimentos em pesquisa, desenvolvimento e inovação geoespaciais são fundamentais para abordagens que favoreçam a competitividade e a sustentabilidade da agropecuária brasileira. Nesse sentido, as geotecnologias devem ser objeto de esforço técnico-científico para identificar, qualificar, quantificar e monitorar as diferentes áreas e recursos naturais com aptidão ou restrição para a expansão e a intensificação da atividade agropecuária.A elevação da capacidade de processamento e armazenamento de dados geoespaciais, por meio dos sistemas de informações geográficas (SIG) e sistemas de processamento de imagens, é fator-chave para superar esses desafios. Igualmente importantes são as crescentes melhorias na interface dos aplicativos e a qualificação dos métodos e ferramentas. Os complexos SIG e dados de sensores remotos que, até pouco tempo, eram de uso exclusivo de técnicos e pesquisadores, hoje tornaram-se ferramenta de uso comum: os globos virtuais e WebGIS, assim como a popularização dos sistemas de posicionamento global por satélite, tornam o produtor capaz de identificar rotas, visualizar imagens de satélites e gerar mapas. Essa popularização das geotecnologias também abre possibilidades, para grupos e instituições de pesquisa, de utilizar informações geoespaciais como forma de mostrar para a sociedade, de forma efetiva, a importância das pesquisas realizadas.As geotecnologias têm diversas aplicações na agropecuária. Elas podem apoiar políticas públicas ...