Detalhes bibliográficos
Ano de defesa: |
2012 |
Autor(a) principal: |
Pinheiro, Helena Saraiva Koenow
 |
Orientador(a): |
Anjos, Lúcia Helena Cunha dos
 |
Banca de defesa: |
Fernandes Filho, Elpídio Inácio,
Vasques, Gustavo de Mattos |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal Rural do Rio de Janeiro
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Agronomia - Ciência do Solo
|
Departamento: |
Instituto de Agronomia
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
https://rima.ufrrj.br/jspui/handle/20.500.14407/10660
|
Resumo: |
O mapeamento de solos compreende a descrição das características morfológicas, físicas e químicas dos solos em uma determinada área, abrangendo descrição técnica e informações de cunho interdisciplinar, podendo ser utilizado para diversas finalidades. O mapeamento digital de solos possibilita aperfeiçoar os produtos dos levantamentos pedológicos através do uso de ferramentas de sistemas de informações geográficas (SIG), conhecimentos em gênese, morfologia e classificação de solos, no que diz respeito à escolha de atributos consistentes que representem com maior aproximação a realidade, e buscando produzir levantamento de solos com precisão e eficiência (custo x tempo). O objetivo geral desse estudo foi caracterizar os componentes da paisagem como subsídio a predição das classes de solos, usando redes neurais artificiais (RNA`s), para produzir o mapa digital de solos da bacia hidrográfica do Rio Guapi-Macacu, no Estado do Rio de Janeiro. O mapeamento envolveu 100 pontos amostrais onde foram realizadas análises químicas, físicas e feita descrição morfológica, segundo métodos padrões de levantamento de solos no Brasil. O mapeamento digital de solos envolveu a aquisição de base cartográfica, criação de modelos digitais que representam atributos da paisagem relevantes para pedogênese e classificação de solos, análise das relações solopaisagem e por fim, classificação supervisionada por RNA’s e posterior validação do mapeamento realizado. Diante da abordagem empregada e das ferramentas de processamento de dados disponíveis foi feita a análise de modelos digitais de elevação (MDE’s), quanto à resolução espacial e forma de obtenção, para selecionar o MDE adequado para derivar os atributos morfométricos. As análises evidenciaram a qualidade superior do MDE com resolução espacial adequada o tamanho de célula de 30m, obtido por interpolação dos dados de elevação, curvas de nível e pontos cotados, dados do sensor SRTM. Após a definição do MDE e derivação dos atributos, foi feito estudo para reconhecimento dos padrões geomórficos e caracterização dos pedodomínios, que envolveu coleta de amostras e descrição de perfis em locais pré-definidos através do programa Hypercube Latin Conditioned Sampling (cLHS). Os solos predominantes foram: Latossolos, Argissolos, Cambissolos, Gleissolos e Neossolos. O uso de ferramentas de geoprocessamento permitiu a seleção das variáveis para compor os conjuntos de discriminantes utilizados na etapa da classificação por RNA’s. As variáveis selecionadas foram: altimetria, declividade, curvatura, índice topográfico combinado, distancia euclidiana, minerais de argila, óxidos de ferro, NDVI e geologia. Foram treinados onze conjuntos de RNA’s, com combinações distintas quanto às variáveis discriminantes (camada de entrada). Os critérios utilizados na avaliação do desempenho das RNA’s foram os índices de exatidão global e Kappa, considerando a generalização das classes de saída. Foi realizada a validação utilizando 120 pontos de controle correspondentes à perfis de solo não utilizados para o treinamento da RNA. Após análise do erro médio quadrático dos diferentes conjuntos, optou-se pela arquitetura com 10 neurônios na camada oculta. Os critérios de avaliação da classificação permitiram destacar melhor desempenho das redes dos conjuntos 1, 7 e 10, correspondentes a todas as variáveis, excluindo a geologia e excluindo o índice NDVI, os quais não diferiram entre si. A generalização e validação indicaram o conjunto 10 como o que permitiu o melhor produto final da classificação. |