Classificação orientada a objetos e redes neurais artificiais para mapeamento digital de classes de solos

Abstract

Passados mais de 70 anos do início dos levantamentos sistemáticos de solos brasileiros, mapas semidetalhados ou detalhados ainda são muito escassos no território nacional. Visando maior eficiência para cartografia de solos, a estratégia de mapeamento digital de classes de solos teve início em 2006 no Brasil. Desde então, diversos estudos já foram realizados porém não se percebe uma conexão entre a maioria desses e, até então, não se teve nenhuma tentativa de analisar os estudos agrupando-os por suas características em comum. Além disso, a maioria dos estudos de mapeamento digital de classes de solos brasileiros dependem de um mapa legado para calibrar modelos preditivos, porém os mapas existentes são majoritariamente pobres em detalhes e podem apresentar limitações. Assim, faz-se necessária a busca de alternativas para calibrar modelos preditivos sem a necessidade de mapas legados de solos. O problema é a dificuldade de delinear as unidades de mapeamento com base, somente, em pontos de campo. Sendo assim, o objetivo geral dessa tese foi analisar os aspectos metodológicos mais promissores encontrados em estudos de mapeamento digital de classes de solos no Brasil e, a partir de então, desenvolver proposta metodológica para produção de mapas digitais de solos detalhados e semidetalhados, a partir de pontos levantados em campo, baseada em classificação orientada a objetos (GEOBIA) e Redes Neurais Artificiais. Na revisão sistemática apresentada no CAPÍTULO III foram encontrados 334 estudos publicados em 42 artigos, em território nacional, que mostram evidências de que o tamanho de pixel adequado com escala de estudo e utilização de variáveis preditoras relacionadas ao maior número de fatores de formação do solos são importantes para se obter melhores resultados. Por outro lado, quanto maior a densidade de unidades de mapeamento por unidade de área, menores são as acurácias obtidas. Além disso, ficou evidenciado que os métodos de Redes Neurais Artificiais e de classificadores em árvore são os mais promissores dos métodos utilizados. No CAPÍTULO IV é apresentada uma nova metodologia baseada GEOBIA e Redes Neurais Artificiais para mapeamento de solos em escala detalhada utilizando somente de pontos de campo. Os mapas preditos por GEOBIA tiveram melhores resultados que os métodos tradicionais baseados em pixels.

More than 70 years after the beginning of systematic surveys of Brazilian soils, semi-detailed or detailed maps are still very scarce in the national territory. In order to increase efficiency in soil cartography, the digital mapping of soil classes approach began in 2006 in Brazil. Several studies have been carried out but there is no connection between the majority of these and, until then, there has been no attempt to analyze the studies grouping them by their common characteristics. In addition, most studies of digital mapping of soil classes depend on a legacy map to calibrate predictive models, however the existing maps are poor in detail and may have limitations. Thus, it is necessary to search for alternatives to calibrate predictive models without the legacy soil maps. The problem is the difficulty of to delimit the mapping units based only on field points. Therefore, the objective of this thesis was to analyze the most promising methodological aspects found in studies of digital mapping of soil classes in Brazil and to develop a methodological proposal for the production of detailed and semi-detailed digital maps, based on field point, Geographic Object-Based Image Analysis (GEOBIA) and Artificial Neural Networks. In the systematic review presented in CHAPTER III, 334 studies were found in 42 articles, in the national territory, which show evidence that the appropriate pixel size with study scale and use of predictor variables related to the greater number of soil-formation factors are found important to obtain better results. On the other hand, the higher the density of mapping units per unit area, the lower the accuracy obtained. In addition, it was shown that the methods of Artificial Neural Networks and Decision Tree Classification are the most promising of the methods used. CHAPTER IV presents a new methodology based on GEOBIA and Artificial Neural Networks for soil mapping on a detailed scale using only field points. The maps predicted by GEOBIA had better results than the traditional pixel-based methods.