Mapeamento digital de solos com base na extrapolação de mapas entre áreas fisiograficamente semelhantes

Abstract

O objetivo deste trabalho foi testar metodologias de mapeamento digital de solos (MDS) e avaliar a possibilidade de extrapolação de mapas entre áreas fisiograficamente semelhantes. A área de referência para o treinamento do modelo localizou-se no Município de Sentinela do Sul, RS, e a extrapolação foi feita para o Município Cerro Grande do Sul, RS. Desenvolveram-se pelo MDS modelos com o uso de variáveis ambientais, como preditoras, e as classes de solos – obtidas de um levantamento convencional na escala 1:50.000 – como variáveis dependentes. Testou-se o uso combinado de dois modelos de árvore de decisão (AD), treinados em duas paisagens com diferentes classes de drenagem. Para Sentinela do Sul, a concordância dos mapas preditos com os produzidos pelo levantamento convencional foi avaliada por matrizes de erro. Como a importância dos erros de mapeamento é variável, criou-se uma matriz ponderada, para atribuir diferentes importâncias aos erros específicos de mapeamento entre as distintas unidades de mapeamento. A acurácia do mapa de Cerro Grande do Sul foi avaliada pela verdade de campo. A extrapolação dos mapas gera resultados satisfatórios, com acurácia maior do que 75%. O uso de modelos com duas AD separadas por paisagens homogêneas gera mapas extrapolados com maior acurácia, avaliada pela verdade de campo.

The objective of this work was to test methodologies for digital soil mapping (DSM) and to evaluate the possibility of map extrapolation between physiographically similar areas. The reference area for model training was located at the municipality of Sentinela do Sul, in the state of Rio Grand do Sul (RS), Brazil, and the extrapolation was done for the municipality of Cerro Grande do Sul, RS. Models were developed by DSM using environmental variables as predictors, and soil classes – obtained from a conventional soil survey at 1:50,000 scale – as dependent variables. The combined use of two decision trees (DT), trained in two landscapes with different drainage classes, was tested. For Sentinela do Sul, the agreement between the predicted maps with the ones produced by conventional survey was evaluated using error matrices. Since the importance of mapping errors is variable, a weighted error matrix was created to assign different importances to specific mapping errors between different mapping units. Map accuracy of Cerro Grande do Sul was evaluated by ground truth. Map extrapolation yields satisfactory results, with accuracy higher than 75%. The use of models with two DTs divided by homogeneous landscapes generates extrapolated maps with a greater accuracy, evaluated by ground truth.