Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/28220
metadata.teses.dc.title: Accuracy and uncertainty of digital soil mapping approaches to extract and transfer soil information from reference area
metadata.teses.dc.title.alternative: Acurácia e incerteza em abordagens de mapeamento digital de solos para extrair e transferir informações pedológicas a partir de área de referencia
metadata.teses.dc.creator: Machado, Diego Fernandes Terra
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/5262140695923123
metadata.teses.dc.contributor.advisor1: Menezes, Michele Duarte de
metadata.teses.dc.contributor.advisor-co1: Curi, Nilton
metadata.teses.dc.contributor.referee1: Menezes, Michele Duarte de
metadata.teses.dc.contributor.referee2: Silva, Sérgio Henrique Godinho
metadata.teses.dc.contributor.referee3: Ceddia, Marcos Bacis
metadata.teses.dc.subject: Mapeamento do solo – Modelos
Soil mapping – Models
metadata.teses.dc.date.issued: 7-Dec-2017
metadata.teses.dc.description.sponsorship: Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
metadata.teses.dc.identifier.citation: MACHADO, D. F. T. Accuracy and uncertainty of digital soil mapping approaches to extract and transfer soil information from reference area. 2017. 114 p. Dissertação (Mestrado em Ciência do Solo)-Universidade Federal de Lavras, Lavras, 2017.
metadata.teses.dc.description.resumo: Contrapondo a necessidade de mapas mais detalhados, atualmente enfrentamos a escassez de recursos destinados ao levantamento de solos. Neste sentido, é preciso recorrer a técnicas que viabilizem a expansão das áreas mapeadas, a custos relativamente mais baixos. Sob essa perspectiva, este trabalho focou na investigação de procedimentos e ferramentas para a extrapolação de informações sobre classes de solo de uma área de referência para seu entorno. Os objetivos incluíram: (i) recuperar informações de um mapa de solos detalhado de uma área de referência; (ii) avaliar a transferibilidade da informação para uma área 15 vezes maior, que preserva características de paisagem semelhantes às da área piloto; (iii) avaliar a acurácia e a incerteza dos modelos de inferência. A partir de um Modelo Digital de Elevação, calculou-se uma série de índice topográficos, os quais foram correlacionados com as classes de solo, representadas por unidades de mapeamento do mapa legado. O objetivo, portanto, foi inferir, a partir da relação solo-paisagem da área piloto, a distribuição dos tipos de solo na área de extrapolação. Para tanto, foram aplicados três procedimentos de inferência, um baseado em dados (Random Forest (RF)) e outros dois baseados no conhecimento (Rule-based reasoning-RBR e Case-based reasoning-CBR - ArcSIE). Com relação a RF, foram grados 52 modelos a partir de uma rotina de ajustes e diferentes combinações de dados de treinamento. Embora considerado um preditor robusto, a RF demonstrou sensibilidade as estratégias de treinamento. Grande parte dos modelos apresentou baixa precisão, contudo, obteve-se ao menos um modelo com mais de 80% de acurácia global. Em relação aos procedimentos RBR e CBR, apenas o primeiro resultou em um mapa com boa precisão. A vantagem da utilização de sistemas baseados no conhecimento com o RBR é o de tornar explicita a relação solo-paisagem através de um conjunto sistematizado de regras. Ao acessar a incerteza das predições, além de avaliar o comportamento dos modelos, foi possível observar a complexidade da relação solo paisagem, característica de ambientes tropicais. Este aspecto é particularmente importante para revisão de modelos e planejamento de coletas de solo na busca por mapas com maior acurácia.
metadata.teses.dc.description.abstract: Contradicting the need for detailed maps, we currently experience scarcity of investments on soil surveys in Brazil. In this sense, it is necessary to resort to techniques that allow the expansion of the mapped areas, at relatively lower costs. From this perspective, this work focused on the investigation of procedures and tools for the retrieving and extrapolation of soil type information from a reference area to its surroundings. The objectives included: (i) retrieving information from a detailed soil map of a reference area; (ii) to evaluate the transferability of information to a larger area, which preserves similar environmental characteristics similar to those of the pilot area; (iii) evaluate the accuracy and uncertainty of the inference models. From a Digital Elevation Model, a series of topographic indexes were calculated, which were correlated with the soil classes, represented by mapping units of the legacy map. The objective was to infer from the soil-landscape relationship of the pilot area, the distribution of soil types in the extrapolation area. For that duty, three inference procedures were applied, one data-driven (Random Forest (RF)) and two others, based on knowledge (Rule-based reasoning and Case-based reasoning - ArcSIE). Regarding RF, 52 models were graded from a routine of tuning and different combinations of training data. Although considered a robust predictor, RF demonstrated sensitivity to training strategies. Most of the models presented low accuracy. However, at least one model with more than 80% of global accuracy was obtained. Regarding RBR and CBR procedures, only the former resulted in a map with good precision. The advantage of using knowledge-based systems like RBR is to make explicit the soil-landscape relationship through a systematic set of rules. By accessing the uncertainty of the predictions, in addition to evaluating the behavior of the models, it was possible to observe the complexity of the soil-landscape relationship of Oxisols and Inceptisols, characteristic of tropical environments. This is particularly important for model review and sampling planning in the search for more accurate maps.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/28220
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: eng
Appears in Collections:DCS - Ciência do Solo - Mestrado (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.