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

• Ano de defesa: 2015
• Autor(a) principal: Sarmento, Eliana Casco
• Orientador(a): Giasson, Elvio
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Pedologia; Classificacao do solo; Mapeamento digital
• Link de acesso: http://hdl.handle.net/10183/128131

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.