mapeamento digital de solos: tendências e aplicações · geostatística: variáveis...
TRANSCRIPT
MICHELE DUARTE DE MENEZES P R O F A . D O D E P A R T A M E N T O D E C I Ê N C I A D O S O L O ( U F L A )
L E V A N T A M E N T O , C L A S S I F I C A Ç Ã O E M A P E A M E N T O D I G I T A L D E S O L O S
Mapeamento digital de solos: tendências e aplicações
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
C O L A B O R A Ç Ã O :
P R O F . S É R G I O H E N R I Q U E G O D I N H O S I L V A ( U F L A )
MODELOS DE INFERÊNCIA
ESPACIAL
McBratney et al. (2003)
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Baseados no conhecimento
Pedométricos
SOLO
Legado de solos (perfis, mapas, conhecimento)
Sensoriamento remoto e proximal
Localização (x,y)
Covariáveis ambientais, BASE PARA A PREDIÇÃO DE SOLOS
Não são mutuamente exclusivas!
Clima, Organismo, Relevo, Material de Origem, Idade
Erro, resíduo
FUNÇÃO DE PREDIÇÃO ESPACIAL
Resultados do grupo de pesquisa em MDS da UFLA
Técnicas mais frequentes no Brasil em artigos científicos/técnicos, ou oportunidades
Artigos do periódico Geoderma: - 95 artigos em moldes “scorpan” desde 2014 - predição espacial e não espacial
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Tendências e aplicações das covariáveis ambientais e métodos de inferência espacial
SOLO
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Dos 95 trabalhos 70 trabalhos (75%) usaram o fator S, onde:
24% Atributos/propriedades do solo (cor, textura, profundidade carbono orgânico, elementos químicos diversos, resistência a penetração), espacializados ou não
21% Espectroscopia visível, infravermelho, infravermelho próximo
17% Diferentes bandas/operações entre bandas principalmente LANDSAT e IKONOS
19% Mapa legado de solos (polígono)
9% Condutividade elétrica
4% raio-X fluorescência portátil (pRXF)
7% Conhecimento expert (conhecimento tácito do pedólogo)
4% suscetibilidade magnética
Por que sensores (próximos ou remotos)?
Fluorescência de raio-x portátil Satélite
VERIS Indução eletromagnética
Espectofotômetro
(Adamchuk et al., 2004; Allred et al., 2008; Viscarra Rossel et al., 2010).
Agricultura e estudos
ambientais
SOLO
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
24% Atributos/propriedades do solo (cor, textura, profundidade carbono orgânico, elementos químicos diversos, resistência a penetração), espacializados ou não
Espacial Não espacial
Mapa de solos da Dinamarca (Adhikari et al., 2014)
76% acucácia
Nanco et al. (2014)
FPTs para densidade do solo: Ds = 1,72 - 0,294 (CO)0,5
SOLO
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
21% Espectroscopia visível, infravermelho, infravermelho próximo
Demattê e Terra (2014)
SOLO
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Nazareno
São João del Rei
Madre de Deus de Minas
Silva et al. (2016)
Desagregação de polígonos
Transferência
485 ha
1.771 km2
19% Mapa legado de classes de solos (polígono)
MDS + Mapeamento tradicional
Índice global: 70.97% Índice kappa: 0.55
Legado no BR:
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Classe de solo
Altitude Declividade Plano de curvatura
Perfil de curvatura
Geologia
CX 978 45 -1 0 Granito
LVA 968 15 0 0 Gabro
LA 860 10 1 -1 Gabro
X SCORPAN
Ten Caten et al. (2011), Ten Caten et al. (2012), Silva et al. (2016), Peregrino et al. (2016)
TREINAMENTO DO MODELO/ALGORÍTIMO:
Polígono todo
-20m
-40m
25m 50m 75m
100m
CX
LVA
LA
CLIMA
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Dos 95 trabalhos 19 trabalhos (20%) usaram o fator C, com destaque para:
Predição espacial dos dados de estações climáticas (7 trabalhos): - Importância dos bancos de dados e equipes multidisciplinares
Sensor MODIS (Moderate Resolution Imaging Spectroradiometer) (4 trabalhos) - Temperatura da superfície da terra, vegetação como covariáveis (Poggio et al., 2014; Angelini et al., 2016) - ↓ resolução espacial (250m a 1km) - ↑ resolução espectral (36 bandas, do visível ao infravermelho
termal) - ↑ resolução temporal (imagens obtidas a cada 2 dias) - Gratuíto
SoilGrids1km (Hengl et al., 2014)
ORGANISMOS
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
https://www.nasa.gov/multimedia/imagegallery/image_feature_1056.html
Dos 95 trabalhos 34 trabalhos (20%) usaram o fator O, com destaque para:
- Mapa de uso do tipo polígono (41%)
NDVI do MODIS
- Operações entre bandas: realça a informação
Soil Adjusted Vegetation Index Huete (1988)
SAVI =(𝑁𝐼𝑅 −𝑅𝐸𝐷)
(𝑁𝐼𝑅+𝑅𝐸𝐷)(1+𝐿)
Normalized Difference Vegetation Index Rouse et al. (1973)
NDVI =(𝑁𝐼𝑅 −𝑅𝐸𝐷)
(𝑁𝐼𝑅+𝑅)
Enhanced Vegetation Index Huete (2002)
EVI = 𝐺 𝑥(𝑁𝐼𝑅 −𝑅𝐸𝐷)
𝑁𝐼𝑅+𝐶1 𝑥 (𝑅𝐸𝐷−𝐶2))(𝐵𝑙𝑢𝑒+𝐿)
- Satélites: Landsat (41%) e MODIS (21%) ambos gratuítos, grid
RELEVO
Covariável mais usada em modelos de inferência espacial (McBratney et
al., 2003; Grunwald, 2009)
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Dos 95 trabalhos 45 trabalhos (47%) usaram o fator R
Declividade Perfil de curvatura Profundida de vale ITU
MDE
Covariável ambiental cujos dados são exaustivamente levantados (Hengl et al., 2007).
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Geomorphons
Classes de solo X Geomorphons: teste de X2 boa relação
MDE
Jasiewicz and Stepinski (2013)
Silva et al. (2016)
MATERIAL DE ORIGEM
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Dos 95 trabalhos 26 trabalhos (27%) usaram o fator P, com destaque para:
- Mapa litológico, geológico ou de material de origem (polígono) (69%)
- Radiometria gama (23%)
CPRM: dados magnetométricos e gamaespectrométricos, 100 metros de altura e espaçamento entre as linhas de vôo de 500 metros
Angelin et al. (2004)
SOLO MATERIAL DE ORGIGEM
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
4% raio-X fluorescência portátil (pRXF) 4% suscetibilidade magnética
MDE, MDTs, geomorphons (5m de resolução)
pRXF (espacializado)
Suscetibilidade magnética (espacializado)
Silva et al. (2016)
Gnaisse leucocrático: LA e LVA (maiores concentrações de SiO2, baixo Fe e suscetibilidade magnética)
Mesocrático: LV (intermediário) Gabro: LV (maiores valores de suscetibilidade
magnética, Fe, Ti)
Trabalhos apontam acurácia analítica (Horta et al., 2015; Stockmann et al., 2016; Weindorf, 2008)
Alguns elementos químicos ou propriedades do solo podem servir como traçadores do materiais de origem, e podem, portanto, estar relacionados com classes/atributos do solo
MODELOS DE INFERÊNCIA ESPACIAL (S = f)
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
“Não existe equação universal ou modelo de predição espacial que se ajuste a todas as regiões e propósitos” (Gruwnald, 2009)
MODELOS DE INFERÊNCIA ESPACIAL
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Sob o ponto de vista científico, testes são ainda um grande foco
Diferentes tipos de regressões (27 trabalhos)
Árvoes de decisão (10 trabalhos)
Krigagem ordinária, simples, blocos (10 trabalhos)
Regression kriging (10 trabalhos)
Randon Forest (10 trabalhos)
Redes neurais artificiais (5 trabalhos)
Redes neurais artificiais (5 trabalhos)
Lógica fuzzy (4 trabalhos)
Suport Vector Machine (4 trabalhos)
Árvores de regressão boosted (4 trabalhos)
Cokrigagem (3 trabalhos)
Inverso do quadrado da distância (2 trabalhos)
Splines (1 trabalho)
Análise discriminante fatorial (1 trabalho)
Krigagem indicadora (1 trabalho)
Baysian mixed model (1 trabalho)
Mininum spatial cross-correlation (1 trabalho)
Cubist (1 trabalho)
Random forest + residual kriging (1 trabalho)
Krigagem ordinária
Univariada
Usa fator N (dado observado)
Simples, presente na
maior parte dos softwares
(Hengl et al., 2007)
Sem
iva
riâ
nci
a
Distância
Regressão entre dado x covariáveis ambientais:
Geostatística: variáveis regionalizadas (Pedométrico)
Cokrigagem Regression kriging
MO = 0.0101*altitude – 0.1157*plano de curvatura + 0.2112*perfil de curvatura + 4,735*NDVI
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Estrutura espacial dos resíduos da regressão
Mapa final: adição dos dois anteriores
(Hengl et al., 2007)
Extensão multivariada da krigagem
Existe dependência entre duas variáveis em estudo (correlação cruzada) (Goovaerts, 1997)
Lark et al. (2014)
Co Mn
Co-Mn
Geostatística: variáveis regionalizadas (Pedométrico)
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
KO RK MR
MPE RMSE MPE RMSPE
-0,005 0,063 -0,015 0,023 63,5%
Krigagem ordinária
Área em 3D
Regression kringing
Diversos estudos têm demonstrado aumento da acurácia neste sentido:
KO CK RK (Herbst et al., 2006; Odeh et al., 1995; Sumfleth and
Duttmann, 2008; Zhu and Lin, 2010, Menezes et al. 2016)
Menezes et al. (2016)
Árvore de decisão
Árvores de decisão e sua evolução (Pedométrico)
Árvores de decisão Boosted (impulsionado)
Randon Forest
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Mineração de dados
Fácil interpretação
Atributos numéricos e categóricos
Não linear
Um dos mais frequentes em MDS (Lagacherie and
Holmes, 1997; Giasson et al., 2011; Häring et al., 2012; Kempen et al., 2015,
Muito usado no Brasil (ten
Caten et al., 2012, Giasson et al., 2015; Pelegrino et al., 2015; Giasson et al. 2015)
Avanço implementado as árvores de decisão: mais robusto, mais flexível, poucos ajustes, maior acurácia
(Lawrence et al., 2004; Moran and Bui, 2002; Friedman and Meulman, 2003; Martin et al. 2014; Pastick et al. 2004; Jafari et al. 2014).
Boosting gradiente estocástico: ajustando muitos modelos ou combinando-os para a predição especial
Múltiplas árvores agregadas (robusto, baixo viés, variância não é tão sensitiva ao ooverfitting)
Melhoria nos modelos por adicionar aleatoriedade
Muito usado em estudos pedométricos (Behrens et al., 2010b; Grimm et al., 2008; Viscarra-Rossel and Behrens, 2010; Wiesmeier et al., 2011)
Maior acurácia que árvores de decisão (Subburayalu and Slater (2013)
Conhecimento tácito + lógica fuzzy (difusa)
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Mente humana é ótima ferramenta para reconhecer padrões. Isso se aplica também às relações solo-paisagem
ArcSIE (Soil Inference Engine): fornecem ferramentas para pedólogo formalizar seu conhecimento e mapear solos e atributos (Shi, 2017) CURSO DE LÓGICA FUZZY NO IV SIMPÓSIO DE CIÊNCIA DO SOLO
Exemplo rápido de uso do rule-based resasoning: mapeamento baseado em regras
MDE
Topo suavizado, solos bem drenados,
profundos
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
MDE
Várzea, nível do L.F. próximo a superfície na
maior parte do ano , solos mau
drenados.
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Mapa de polígono: - Cada píxel será classificado com o valor mais elevado de pertinência fuzzy no vetor de similaridade - Valores de pertinência fuzzy usados para medir a incerteza associada ao processo de defuzificação do solo local (Zhu, 1997)
I S I M P Ó S I O D E C I Ê N C I A D O S O L O - U F L A
Gleissolo - 99
Latossolo - 0
Após descrição de solos no campo:
Considerações finais
Melhoria nos mapeamentos baseia-se mais na reunião covariáveis ambientais (Minasny e McBratney, 2007) do que na coleta de dados ou no uso de métodos matematicamente sofisticados (Grunwald, 2009).
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Covariáveis: não só reunião, mas também mineração de dados (parsimônia e multicolinearidade).
Coleta de dados: depende da função de inferência espacial.
Métodos: depende da natureza dos dados, afinidade do usuário, métodos híbridos e melhoria dos dados e novamente, mineração dos dados
Mesmo diante de tantos avanços, produtos/ferramentas mais simples e gratuitamente disponível são amplamente usadas atualmente, desde que proporcionem melhoria efetiva nos modelos (validação!!!)
Considerações finais
I V S I M P Ó S I O M I N E I R O D E C I Ê N C I A D O S O L O
Novos mapeadores: gosto por Pedologia, matemática e computadores
Obrigada pela atenção!!
Relevo: assume-se que condições ambientais durante a formação dos solos foram influenciadas por características geomórficas superfície atual é relativamente similar a superfície a qual os solos foram desenvolvidos (Behrens et al., 2014). E no Brasil?