Predição de classes de solos em diferentes escalas na Serra Gaúcha usando mapeamento digital de solos a partir de dados legados

Abstract

Dados de levantamentos convencionais de solos têm sido muito usados como entrada em mapeamento digital de solos (MDS), frequentemente sem considerar a qualidade original. O objetivo desta pesquisa foi avaliar metodologias e ferramentas de MDS para predizer classes de solo a partir de levantamentos existentes. Um conjunto diversificado de mapas convencionais foi caracterizado com indicadores computados a partir das unidades de mapeamento (UM) e da legenda. Um procedimento de desagregação foi testado em um mapa semidetalhado, definindo-se áreas típicas das classes por UM a partir do relatório de levantamento e expedições em campo. 10% delas foram empregadas para treinar uma árvore de decisão (AD) e predizer classes em toda a área, usando 21 covariáveis. A predição em locais não mapeados (extrapolação) foi avaliada em um mapa detalhado, no qual três subáreas representativas foram usadas para gerar pontos com duas densidades e dois esquemas de distribuição espacial. Os pontos foram usados para treinar uma AD e predizer ordens e subordens em áreas não amostradas, com duas resoluções espaciais e variação do número e combinação de covariáveis. A desagregação possibilitou incrementar consideravelmente o detalhamento do mapa convencional de solos, sem perda de acurácia. A extrapolação possibilitou mapear áreas não visitadas com alta resolução espacial e acurácia equivalente à área de referência, notadamente com amostragem aleatória estratificada. Em ambos, a acurácia foi limitada pela qualidade dos dados legados, em geral inferior à presumida, o que demonstra a necessidade de levá-la em conta ao desenvolver e calibrar modelos de predição em MDS.

Conventional soil survey data have been widely used as inputs for digital soil mapping (DSM), often without regard to their original quality. The objective of this research was to evaluate DSM methodologies and tools for predicting soil classes from existing soil surveys. A diversified set of conventional soil maps was charachterized with indicators computed from mapping units (MU) and legend. A disaggregation procedure was tested on a semidetailed soil map, by defining typical areas of soil classes in each MU based on the soil survey report and field work. 10% of these areas were employed to train a decision tree (DT) and to predict soil classes throughout the area using 21 soil covariates. The prediction in unmapped areas (extrapolation) was evaluated on a detailed soil map, for which three representative subareas were used to generate points using two sampling densities and two spatial distribution schemes. These sampling points were used to train a DT and then to predict soil orders and suborders at non sampled areas, using two spatial resolutions and varying number and combination of covariates. Disaggregation allowed to increase considerably the details of the conventional soil map, without loss of accuracy. Extrapolation allowed mapping non visited areas with high spatial resolution and accuracy equivalent to the reference area, especially with stratified random sampling. In both cases, accuracy was limited by the quality of legacy soil data, in general lower than presumed, what demonstrates the need to take it into account when building and calibrating prediction models in DSM.