Comparação entre quatro algoritmos de aprendizagem de máquina no mapeamento digital de solos no Vale dos Vinhedos, RS, Brasil

• Ano de defesa: 2010
• Autor(a) principal: Sarmento, Eliana Casco
• Orientador(a): Giasson, Elvio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Mapeamento digital; Reconhecimento do solo; Geoestatística; Mapa; Vale dos Vinhedos, Região (RS)
• Link de acesso: http://hdl.handle.net/10183/25977

A carência de dados de solos estimulou o desenvolvimento de técnicas de modelagem digital para estimar classes ou propriedades dos solos. Este trabalho compara quatro algoritmos de aprendizagem de máquina, três redes neurais (Fuzzy ARTMap, SOM e MLP) e uma árvore de decisão (Gini), na predição de ordens de solos no Vale dos Vinhedos, Rio Grande do Sul, Brasil. O material utilizado inclui um Modelo Numérico do Terreno (MNT) com resolução de 5 metros, uma base cartográfica digital em escala 1:5.000, um mapa convencional detalhado de solos e o software de Sistema de Informação Geográfica (SIG) Idrisi. A partir do MNT e da base foram calculadas sete variáveis topográficas e hidrológicas, cujos valores e a ordem de solo foram lidos em pontos aleatoriamente distribuídos com cinco densidades de amostragem: 0,5, 1, 1,5, 2 e 4 pontos.ha-1. Os dados obtidos nos pontos foram empregados para treinar os algoritmos e classificar as ordens de solos no restante da área de estudo. A avaliação de acurácia foi realizada através de matriz de erros, exatidão geral e índice Kappa, tomando o mapa convencional como referência. A árvore de decisão obteve melhor exatidão geral (71%) e índice Kappa (0,58), com 2 pontos.ha-1, e apresentou menor sensibilidade à densidade de amostragem, obtendo índice Kappa acima de 0,5 a partir de 1 ponto.ha-1. A rede neural MLP alcançou desempenho próximo à árvore de decisão, mas foi mais sensível à densidade de amostragem, obtendo índice Kappa acima de 0,5 a partir de 1,5 pontos.ha-1. A árvore de decisão Gini e a rede neural MLP mostraram potencial para a predição de ordens de solos em escala de detalhe.