Mapeamento pedológico digital com base em objetos a partir de unidades elementares de relevo
DOI:
https://doi.org/10.11606/eISSN.2236-2878.rdg.2024.176980Palavras-chave:
Pedometria, Random Forest, Mapeamento GeomorfológicoResumo
Diante das dificuldades em se realizar levantamentos pedológicos por métodos convencionais, o mapeamento pedológico digital (MPD) tem potencial de apoiar a retomada de levantamentos pedológicos sistemáticos. Para isso, é desejável estratégias que possam utilizar informações legadas de levantamentos convencionais. Contudo, é preciso entender quais informações podem ser preditas no MPD de novas áreas, com qualidade satisfatória. Estratégias de MPD com base em objetos têm superado os resultados de abordagens com base em pixels, embora não esteja claro se isso vale para qualquer contexto. Este estudo objetivou avaliar o uso de informações legadas de levantamentos pedológicos sistemáticos, comparando abordagens de MPD com base em pixels e em objetos. A área de estudo compreende os municípios paulistas de Cordeirópolis, Santa Gertrudes, Iracemápolis, Rio Claro e Ipeúna. Utilizou-se unidades elementares de relevo para delimitação de polígonos na construção de bases de dados para MPD com base em objetos. Os resultados foram avaliados considerando a acurácia global, o índice Kappa, além das taxas de verdadeiros positivos e a precisão observadas nas classes preditas. As unidades elementares de relevo foram eficazes quando utilizadas em uma abordagem de MPD com base em objetos. Os testes empregados apresentaram resultados satisfatórios para a extrapolação de informações legadas dos levantamentos pedológicos sistemáticos do estado de São Paulo em abordagens de MPD por pixels e por objetos, alcançando acurácia de 61 % e índice Kappa de 0,54. O baixo desempenho na predição de classes específicas não esteve diretamente relacionado à sua maior ou menor ocorrência na área de estudo.
Downloads
Referências
ACHANTA, R.; SÜSSTRUNK, S. Superpixels and Polygons using Simple Non-Iterative Clustering. In: PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION. Anais […]. p. 4651-4660. 2017.
ADHIKARI K.; MINASNY B.; GREVE M.B. GREVE M.H. Constructing a soil class map of denmark based on the FAO legend using digital techniques. Geoderma, vol. 214-215, p. 101-113. 2014.
BERTOL, I.; LEITE, D.; ENGEL, F.L.; COGO, N.P.; GONZÁLEZ, A.P. 2007. Erodibilidade de um nitossolo háplico alumínico determinada em condições de campo. Revista Brasileira de Ciência do Solo, 31(3), p. 541-549.
BEVEN, K.J.; KIRKBY, M.J. A physically based, variable contributing area model of basin hydrology. Journal Hydrological Sciences Bulletin, vol. 24, p. 43-69, 1979.
BREIMAN, L. Random Forests. Journal Machine Learning, vol. 45, p. 5-32, 2001.
CABRAL JUNIOR, M.; GAMBA, T. DE C.; ALMEIDA, A. S.; FIAMMETTI, I. C. C.; TANNO, L. C.; MONTE, E. D.; MELONI, R. E. Formulação do Plano Diretor de Mineração dos municípios de Cordeirópolis, Ipeúna, Iracemápolis, Rio Claro e Santa Gertrudes. São Paulo (Rel. IPT n. 129345-205), 2012.
CAMERA C.; ZOMENI Z.; NOLLER J.S.; ZISSIMOS A.M.; CHRISTOFOROU I.C.; BRUGGEMAN A. A high resolution map of soil types and physical properties for Cyprus: a digital soil mapping optimization. Geoderma, vol. 85, p.35-49. 2017.
CARVALHO JUNIOR, W.D E; PEREIRA, N.R.; FERNANDES FILHO, E.I.; CALDERANO FILHO, B.; PINHEIRO, H.S.K; CHAGAS, C.DA.S.; BHERING, S.B.; PEREIRA, V.R.; LAWALL, S. Sample design effects on soil unit prediction with machine: randomness, uncertainty, and majority map. Revista Brasileira de Ciência do Solo, vol. 44, e0190120, 2020.
CHAGAS, C.S.; CARVALHO JUNIOR, W.; BHERING, S.B.; CALDERANO FILHO, B. Spatial prediction of soil surface texture in a semiarid region using random forest and multiple linear regressions. Catena, vol. 139, p. 232-240. 2016.
COELHO, R.M.; BERTOLANI, F.C.; ROSSI, M.; NASCIMENTO, P.C.; MENK, J.R.F; PRADO, H.; AMORIM, D.A. Levantamento pedológico semidetalhado do Estado de São Paulo: folha de Marília. Mapa escala 1:100.000. 2000.
COHEN, J. A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, vol. 20, New York, NY, p. 37-46, 1960.
COLANGELO, A.C. O Modelo de Feições Mínimas, ou das Unidades Elementares de Relevo: Um Suporte Cartográfico para Mapeamentos Geoecológicos. Revista do Departamento de Geografia - USP 10(1). São Paulo, p.29-40, 1996.
CREMON, É. H.; PEREIRA, A. C.; PAULA, L. D. L. D.; NUNES, E. D. Geological and terrain attributes for predicting soil classes using pixel- and geographic object-based image analysis in the Brazilian Cerrado. Geoderma, v. 401, p. 115315, nov. 2021. DOI 10.1016/j.geoderma.2021.115315. Disponível em: https://linkinghub.elsevier.com/retrieve/pii/S0016706121003955. Acesso em: 21 fev. 2023.
CRIVELENTI, R.C.; COELHO, R.M.; ADAMI, S.F.; OLIVEIRA, S.R. DE M. Mineração de dados para a inferência de relações solo-paisagem em mapeamentos digitais de solo. Revista Agropecuária Brasileira, v.44, n.12, p.1707-1715, 2009.
DORNIK, A.; DRĂGUŢ, L.; URDEA, P. Classification of Soil Types Using Geographic Object-Based Image Analysis and Random Forests. Pedosphere, v. 28, n. 6, p. 913–925, dez. 2018. DOI 10.1016/S1002-0160(17)60377-1. Disponível em: https://linkinghub.elsevier.com/retrieve/pii/S1002016017603771. Acesso em: 21 fev. 2023.
DRĂGUŢ, L.; BLASCHKE, T. Automated classification of landform elements using object-based image analysis. Geomorphology, v. 81, p. 330-344. 2006.
ESRI. Enviromental Systems Research. Introducting ArcGIS 10.1. Arc News, Spring, 2012. Disponível em: <https://www.esri.com/news/arcnews/spring12articles/introducing-arcgis-101.html> Acesso: 18 de fevereiro de 2023.
GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.; MOORE, R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, p. 18-27. 2017.
HENGL, T.; HEUVELINK, G.B.M.; KEMPEN, B.; LEENAARS, J.G.B.; WALSH, M.G.; SHEPHERD, K.; SILA, A.; MACMILLAN, R.A.; JESUS, J.M.; TAMENE, L.; TONDOH, J.E. Mapping soil properties of Africa at 250 m resolution: random forests significantly improve current predictions. Plos One, vol. 10, e0125814. 2015.
HEUNG, B.; HO, H.C; ZHANG, J.; KNUDBY, A.; BULMER, C.E.; SCHMIDT, M.G. An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping. Geoderma, vol. 265, p. 62-77. 2016.
HEUNG, B.; HODÚL, M.; SCHMIDT, M.G. Comparing the use of training data derived from legacy soil pits and soil survey polygons for mapping soil classes. Geoderma, vol. 290, p. 51-68. 2017
HÖFIG, P.; GIASSON, E.; VENDRAME, P.R.S. Mapeamento digital de solos com base na extrapolação de mapas entre áreas fisiograficamente semelhantes. Pesquisa Agropecuária Brasileira, v.49, p.958-966, 2014.
HUDSON, B. D. The soil survey as paradigm-based science. Soil Science Society of American Journal, v.56, p.836-841. 1992.
HUTCHINSON, M. F. Calculation of hydrologically sound digital elevation models. Proceedings of the Third International Symposium on Spatial Data Handling. p. 17-19. 1988.
IBGE. Mapa Índice Digital, Mapeamento Geral do Brasil. Instituto Brasileiro de Geografia e Estatística, Coordenação de Cartografia, 4ª ed., Rio de Janeiro, 30p. 2011.
IBGE. Manual técnico de pedologia. Instituto Brasileiro de Geografia e Estatística, Coordenação de Recursos Naturais e Estudos Ambientais, 3° ed., Rio de Janeiro, 430 p. 2015.
IBGE. Mapeamento de Recursos Naturais do Brasil: Geomorfologia. Instituto Brasileiro de Geografia e Estatística, Coordenação de Recursos Naturais e Estudos Ambientais. Mapa na escala 1:250.000. 2018.
JENNY, H. Factors of soil formation, a system of quantitative pedology. McGrawHill: New York, 1941. 281 p.
JOHNSON, R.A.; WICHERN, D.W. Applied multivariate statistical analysis. Madison: Prentice Hall International, 1998. 816p.
LANDIS, J.R; KOCH, G.G. The Measurement of Observer Agreement for Categorical Data. Biometrics, vol. 33, p. 159-174, 1977.
MACHADO, D.F.T; SILVA, S.H.G; CURI, N.; MENEZES, M.D. Soil type spatial prediction from Random Forest: different training datasets, transferability, accuracy and uncertainty assessment. Scientia Agricola, vol. 76, n.3, p. 243-254. 2019.
MCBRATNEY, A.B.; SANTOS, M.L.M.; MINASNY, B. On digital soil mapping. Geoderma, v.117, p. 3-52, 2003.
OLIVEIRA, J.B. de; CAMARGO, M.N.de; ROSSI, M.; CALDERANO FILHO, B. Mapa pedológico do Estado de São Paulo: legenda expandida. Campinas: Instituto Agronômico/EMBRAPA Solos, 1999. v. 1. 64 p. (inclui Mapa, escala 1:500.000).
OLIVEIRA, J.B. de; MENK, J.R.F.; ROTTA, C.L. Levantamento pedológico semidetalhado dos solos do Estado de São Paulo: folha de Campinas. Mapa escala 1:100.000. Instituto Agronômico - IAC, Campinas, 1977.
OLIVEIRA, J.B.; BARBIERI, J.L.; ROTTA, C.L.; TREMOCOLDI, W. Levantamento pedológico semidetalhado do Estado de São Paulo: Quadrícula de Araras. Campinas, Instituto Agronômico, 1982. 180p. (Boletim Técnico, 72 + mapa 1:100.000).
OLIVEIRA, J.B.; PRADO, H. Levantamento pedológico semidetalhado do Estado de São Paulo: quadrícula de São Carlos II. Memorial descritivo. 1984.
OLIVEIRA, J.B.; PRADO, H. Levantamento pedológico semidetalhado do Estado de São Paulo: folha de Piracicaba. Mapa escala 1:100.000. 1989.
PÁSZTOR, L.; LABORCZI, A.; BAKACSI, Z.; SZABO, J.; ILLES, G. Compilation of a national soil-type map for Hungary by sequential classification methods. Geoderma, vol. 311:p. 93-108. 2018.
Perrota, M.M.; Salvador, E.D.; Lopes, R.C. Mapa Geológico do estado de São Paulo, escala 1:750.000. CPRM, Programa Geologia do Brasil – PGB, São Paulo, 2006.
PRADO, H. OLIVEIRA, J.B.; ALMEIDA, C.L.F. Levantamento pedológico semidetalhado do Estado de São Paulo: Quadrícula de São Carlos. Campinas, EMBRAPA/CPA/IA, 1981. (Mapa, escala 1:100.000)
ROSS, J. L. S. 1992. O registro cartográfico dos fatos geomorfológicos e a questão da taxonomia do relevo. Revista do Departamento de Geografia, 6, 17-29.
ROSS, J.L.S.; MOROZ, I.C. Mapa Geomorfológico do Estado de São Paulo. Laboratório de Geomorfologia. Departamento de Geografia – FFLCH –USP/Laboratório de Cartografia Geotécnica – Geologia Aplicada – IPT/FAPESP (Mapas e Relatórios). São Paulo, SP, 1997.
ROSSI, M. 2017. Mapa pedológico do Estado de São Paulo: revisado e ampliado. São Paulo: Instituto Florestal, 2017. V.1. 118p. (inclui Mapas)
RUDIYANTO, R.; MINASNY, B.; SETIAWAN, B.I.; ARIF, C.; SAPTOMO, S.K.; CHADIRIN, Y. Digital mapping for cost-effective and accurate prediction of the depth and carbono stocks in Indonesian peatlands. Geoderma, vol. 272, p. 20-31. 2016.
SANTOS, H.G.; JACOMINE, P.K.T.; ANJOS, L.H.C.; OLIVEIRA, V.A.; LUMBRERAS, J.F.; COELHO; M.R. Sistema Brasileiro de Classificação de Solos. Embrapa, Brasília, DF, 356 p. 2018.
SARTORI, M.; PHILIPPIDIS, G.; FERRARI, E.; BORRELLI, P.; LUGATO, E.; MONTANARELLA, L.; PANAGOS, P. A linkage between the biophysical and the economic: Assessing the global market impacts of soil erosion. Land Use Policy, vol. 86, p. 299-312, 2019.
SILVA, C.C.; COELHO, R.M.; OLIVEIRA, S.R.M. Digital pedological mapping of Botucatu sheet (SF-22-ZB-VI-3): data training on conventional maps and field validation. Revista Brasileira de Ciência do Solo, vol. 37, n. 4, p. 846-857, 2013.
SOIL SCIENCE DIVISION STAFF. Soil survey manual. United States Department of Agriculture (USDA), Handbook 18. Washington, DC, 638 p. 2017.
SOUZA, E.; FERNANDES FILHO, E.I.; SCHAEFER, C.E.G.R.; BATJES, N.H.; SANTOS, G.R.; PONTES, L.M.. Pedotransefer functions to estimate bulk density from soil properties and environmental covariates: Rio Doce basin. Scientia Agricola, 73: 525-534, 2016
TEN CATEN, A.; DALMOLIN, R.S.D.; SANTOS, M.L.M.; GIASSON, E. Mapeamento digital de classes de solo: características da abordagem brasileira. Ciência Rural, v.42, p. 1989-1997, 2012.
TESKE, R.; GIASSON, E.; BAGATINI, T. Comparação de esquemas de amostragem para treinamento de modelos preditores no mapeamento digital de classes de solos. Rev. Bras. Cienc. Solo. vol. 39, p. 14-20. 2015.
VALADARES, A.P; COELHO, R.M.; OLIVEIRA, S.R.M. Preprocessing procedures and supervised classification applied to a database of systematic soil survey. Scientia Agricola, v. 76(5), p.439-447. 2019.
WEISS, S. M.; ZHANG, T. Performance analysis and evaluation. In: Ye, N. The handbook of Data Mining. Lawrence Erlbaum Associates Publishers, Mahwah, NJ, vol. 14, p. 425 – 440, 2003.
WITTEN, I.H.; FRANK, E.; HALL, M.A; PAL, C.J. Data mining: practical machine learning tools and techniques. 4º ed. Morgan Kaufmann, Burlington, MA, 629 p. 2016.
WOLSKI, M.S.; DALMOLIN, R.S.D.; FLORES, C.A.; MOURA-BUENO, J.M.; TEN CATEN, A.; KAISER, D.R. Digital Soil Mapping and its implications in the extrapolation of soil-landscape relationship in detailed scale. Pesquisa Agropecuária Brasileira, v. 52, p. 633-642, 2017.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2024 Alan Pessoa Valadares, Ricardo Marques Coelho, Carlos Tadeu de Carvalho Gamba
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution BY-NC-SA que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista. A licença adotada enquadra-se no padrão CC-BY-NC-SA.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
