mapeamento digital de solos: tendências e aplicações · geostatística: variáveis...

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)


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


Tendências e aplicações das covariáveis ambientais e métodos de inferência espacial

COVARIÁVEIS AMBIENTAIS

SOLO


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


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


21% Espectroscopia visível, infravermelho, infravermelho próximo

Demattê e Terra (2014)

SOLO


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:


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


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


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)


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).


Geomorphons

Classes de solo X Geomorphons: teste de X2 boa relação

MDE

Jasiewicz and Stepinski (2013)

Silva et al. (2016)

MATERIAL DE ORIGEM


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


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)


“Não existe equação universal ou modelo de predição espacial que se ajuste a todas as regiões e propósitos” (Gruwnald, 2009)

MODELOS DE INFERÊNCIA ESPACIAL


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


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)


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


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)


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


MDE

Várzea, nível do L.F. próximo a superfície na

maior parte do ano , solos mau

drenados.


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).


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


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?

mapeamento digital de solos: tendências e aplicações · geostatística: variáveis...

Documents