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

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Coelho, Fabrício Fernandes
Orientador(a): Giasson, Elvio
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Palavras-chave em Inglês:
Link de acesso: http://hdl.handle.net/10183/233149
Resumo: 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.