Mostrar registro simples

dc.contributor.advisorGiasson, Elviopt_BR
dc.contributor.authorTeske, Rodrigopt_BR
dc.date.accessioned2014-09-02T02:19:59Zpt_BR
dc.date.issued2014pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/102249pt_BR
dc.description.abstractO Mapeamento Digital de Solos (MDS) se utiliza de modelos quantitativos para inferir as variações espaciais e temporais dos solos. Embora venha sendo empregado mundialmente, o MDS ainda não apresenta uma padronização de métodos e materiais. O objetivo deste trabalho foi avaliar e comparar o uso de diferentes metodologias e materiais para análise de dados e predição de ocorrência de classes de solos. Esta pesquisa é composta de uma revisão bibliográfica e de três estudos de predição de ocorrência de classes de solos utilizando técnicas do MDS. Na revisão bibliográfica é discutido e exemplificado o uso de algoritmos de árvores de decisão no MDS, sendo enfatizado o algoritmo CART (Classification And Regression Tree). No primeiro estudo, realizado no município de Dois Irmãos, foram avaliados e comparados os efeitos do uso de diferentes modelos digitais de elevação (MDE) sobre a capacidade preditiva dos modelos de predição de ocorrência de classes de solos. Os modelos preditores foram treinados com dados dos atributos do terreno derivados dos diferentes MDE e com informações de solos extraídas do mapa pedológico, na escala de 1:20.000. Os MDE com resolução espacial de 90 m possibilitaram gerar os modelos preditores mais acurados. Na bacia do Rio Santo Cristo, dois estudos foram desenvolvidos. No primeiro estudo realizado nesta bacia foi avaliado e comparado o uso de três esquemas de amostragem de dados para o treinamento dos modelos. A correlação foi gerada com dados de atributos do terreno e informações de solos oriundas de um mapa convencional de solos na escala de 1:50.000. Os esquemas de amostragem influenciaram na acurácia dos modelos preditores, sendo o modelo preditor treinado com dados da amostragem aleatória simples o mais acurado. No segundo estudo realizado para a bacia do Rio Santo Cristo, foi desenvolvido e avaliado um método que concilia o conhecimento pedológico às técnicas do MDS. Primeiramente, foi realizada a predição de ocorrência de classes de solos correlacionando atributos do terreno e a taxonomia de perfis de solos georreferenciados. Esta distribuição espacial das classes de solos foi utilizada para o pedólogo delinear manualmente as unidades de mapeamento de solos (UM). O mapa de UM gerado pelo método proposto apresentou valor da acurácia (avaliada pela verdade de campo) semelhante à de um mapa convencional de solos já existente. Assim, a associação do conhecimento do pedólogo à predição de classes de solo pelas técnicas do MDS demonstrou ser um método especialmente útil na falta de mapas pedológicos de referência para treinamento dos modelos preditores.pt_BR
dc.description.abstractThe Digital soil mapping (DSM) is used to infer spatial and temporal variations of soil by using quantitative models. Although it has been used worldwide, DSM does not present standardized methods and materials. The objective of this study was to evaluate and compare the use of different methodologies and materials for data analysis and prediction of occurrence of soil class. This research consists of a scientific review and three studies of prediction of occurrence of soil class using DSM techniques. In the scientific review is discussed and exemplified the use of decision tree algorithms to generate predictive models of occurrence of soil class, being emphasized the CART algorithm (Classification And Regression Tree). In the first predictive study, performed in the Dois Irmãos county, were evaluated and compared the effects of using different digital elevation models (DEM) on the ability models to predict the occurrence of soils classes. The prediction models were trained with data from terrain attributes derived from different DEM and soils information extracted from soil map at scale 1:20,000. The DEM with 90 m spatial resolution made it possible to generate the predictive models most accurate. In the Rio Santo Cristo basin, two studies were developed. In the first study of this basin was evaluated and compared three data sampling schemes for training the models. The correlation was generated with data from terrain attributes and soil information derived from a conventional soil map at a scale of 1:50,000. The sampling scheme to influence the accuracy of predictive models, with the model predictor trained with data from simple random sampling was more accurate. In the second study for the Santo Cristo river basin, was developed and evaluated a method that reconciles the soil knowledge of MDS techniques. First, was performed the prediction of occurrence of soil types correlating terrain attributes and taxonomy of soil profiles georeferenced. This spatial distribution of soil classes was used by the pedologist for delineating soil mapping units (MU). The map of MU generated by the proposed method showed values of accuracy (assessed by ground truth) similar to that of a conventional map of existing soils. Therefore, the combination of the knowledge of pedologist the prediction of soil classes by MDS techniques proved to be a particularly useful method in the absence of soil maps of reference for training predictive models.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectPerfil do solopt_BR
dc.subjectClassificacao do solopt_BR
dc.subjectMapeamento digitalpt_BR
dc.titleTestes metodológicos para o mapeamento digital de classes de solos utilizando árvores de decisãopt_BR
dc.title.alternativeMethodological tests for digital soil class mapping by using decision trees en
dc.typeTesept_BR
dc.identifier.nrb000933942pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentFaculdade de Agronomiapt_BR
dc.degree.programPrograma de Pós-Graduação em Ciência do Solopt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2014pt_BR
dc.degree.leveldoutoradopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples