Return to search

M?todos de mapeamento digital aplicados na predi??o de classes e atributos dos solos da bacia hidrogr?fica do rio Guapi Macacu, RJ / Digital mapping techniques applied to predict soil classes and attributes in the Guapi-Macacu watershed, RJ

Submitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2017-07-18T18:30:23Z
No. of bitstreams: 1
2015 - Helena Saraiva Koenow Pinheiro.pdf: 14533188 bytes, checksum: 58cff5581549af698fe42ba33bd8aa71 (MD5) / Made available in DSpace on 2017-07-18T18:30:23Z (GMT). No. of bitstreams: 1
2015 - Helena Saraiva Koenow Pinheiro.pdf: 14533188 bytes, checksum: 58cff5581549af698fe42ba33bd8aa71 (MD5)
Previous issue date: 2015-07-30 / CAPES / CNPq / FAPERJ / Quantitative soil-landscape models represent a new trend in soil surveys. In this regard, the various digital mapping techniques are applied to predict the natural patterns of occurrence of soil types. The objective of this study was to apply digital mapping techniques to predict soil classes and attributes in a watershed, with wide range of landscape conditions, in Rio de Janeiro State, in Brazil. The approach was based on tacit soil knowledge, regarding the choice of landscape attributes that represent the variability of soil-forming factors in the region. In regard to construct the predictive models, terrain variables were generate from the digital elevation model, geology map and remote sensing data. Ten terrain attributes were created on softwareArcGIS Desktop v. 10, such as altimetry, slope, curvature, parental material map, topographic compound index and euclidean distance of hydrography. In the software ERDAS Imagine v.9 were generated three indices derived from remote sensing data (Landsat 5 TM). They are: clay minerals, iron oxide and vegetation index normalized difference - NDVI. To represent the landscape forms was generated map the "geomorphons" maps, the GRASS-GIS program. To provide enough datato predict soil properties, additional terrain variables were derived from a digital elevation model (DEM) generated in the software SAGA-GIS. The work development was organized into three steps, presented as chapters. The first chapter comprised bibliography review and presents the context of the study. The detailed analysis of soil-landscape relationships, considering the variability of environmental attributes and characteristics of pedo-enviroments are performed on the second chapter. The predominant soils in the area were Ferralsols, Acrisols, Gleysols, Cambissolos, Fluvisols and Regosols. The third chapter presented the application of the landform maps (?geomorphons?) as a covariate to pretic soil classes by neural network approach. The fourth chapter targets the application of trees-based models (decision trees and random forest) to predict soil classes. The evaluation of the inferred products to represent the soil classes was performed based on statistical indices (kappa, overall), generalization of soil classes and validation with control samples. The best performance was observed for the random forest model that showed better values to statistical indices and better generalization of mapping units. The fifth chapter comprised the prediction of soil texture components on topsoil layer by using multiple linear regressions and regression trees. The analyses indicated better performance by using regression trees algorithm to all soil attributes (sand, silt, and clay), independent of the database (harmonized or original). All predictive models were implemented in R software. Additional research is needed to select an appropriated set of predictive covariates; as so, collect more soil samples to use as input to models and also validate of the final products. Soil survey research is important in the actual context once can enhance the information generated by the soil surveys, as well as to obtain useful information to the final users, as example of the maps that represent the spatial variability of soil texture components. / Modelos solo-paisagem quantitativos representam uma nova tend?ncia nos levantamentos de solos. Neste sentido, as diferentes t?cnicas de mapeamento digital s?o aplicadas para prever os padr?es naturais de ocorr?ncia de classes de solo. O objetivo deste trabalho foi a aplica??o de geotecnologias no mapeamento de classes e atributos dos solos em uma bacia hidrogr?fica, que apresenta grande varia??o de condi??es de paisagem, no Estado do Rio de Janeiro, Brasil. A abordagem foi baseada em conhecimento pedol?gico t?cito, culminando na escolha de atributos da paisagem que representem a variabilidade dos fatores de forma??o de solos na regi?o. Na constru??o do modelo solo-paisagem foram gerados no programa de computa??o ArcGIS Desktop v. 10, atributos relacionados a pedog?nese na ?rea em estudo, como geologia altimetria, declividade, curvatura, ?ndice topogr?fico composto e dist?ncia euclidiana de hidrografia. No programa ERDAS Imagine v.9 foram gerados tr?s ?ndices derivados de dados de sensoriamento remoto (Landsat 5 TM). S?o eles: clay minerals, iron oxide e ?ndice de vegeta??o por diferen?a normalizada ? NDVI. Para representar as formas do relevo foi gerado mapa com as dez formas mais comuns do relevo (?geomorphons?), no programa GRASS-GIS. Adicionalmente, a predi??o de atributos do solo contou com co-vari?veis derivadas do modelo digital de eleva??o (MDE) geradas no programa SAGA-GIS. O trabalho de tese foi dividido em etapas, apresentadas na forma de cap?tulos. O primeiro cap?tulo apresenta a revis?o de literatura espec?fica de contextualiza??o do trabalho. O estudo das rela??es solo-paisagem e da variabilidade dos atributos do terreno, a caracteriza??o das unidades de mapeamento com base no levantamento de campo, constituem o segundo cap?tulo. Os solos predominantes na ?rea foram: Latossolos, Argissolos, Gleissolos, Cambissolos, Neossolos Fl?vicos e Lit?licos. O terceiro cap?tulo tratou do uso do mapa de formas da paisagem (?geomorphons?) como vari?vel preditora para o mapeamento de classes de solos, por abordagem de redes neurais artificiais. O quarto cap?tulo teve como objetivo a aplica??o de modelos baseados em ?rvores (?rvores de decis?o e random forest) para a predi??o de classes de solos. A avalia??o dos produtos inferidos para classes de solos foi baseada em ?ndices estat?sticos (kappa, exatid?o global), generaliza??o das classes de solos e valida??o com amostras de controle. O melhor desempenho foi observado para o modelo random forest que apresentou valor superior para os ?ndices estat?sticos e melhor generaliza??o das unidades de mapeamento. O quinto cap?tulo compreendeu a predi??o da composi??o da textura na camada superficial do solo atrav?s de regress?es lineares m?ltiplas e ?rvores de regress?o. As an?lises indicaram desempenho superior do algoritmo de ?rvores de regress?o, para todos os atributos testados (areia, silte, argila), utilizando dados harmonizados ou originais. Todos os modelos preditivos foram aplicados no programa R. An?lises adicionais s?o necess?rias para ajudar a definir conjunto de co-vari?veis preditoras adequado, assim como a coleta de mais amostras de solo, tanto para o processo de modelagem como para valida??o dos produtos. Trabalhos dessa natureza s?o importantes no contexto global de melhor aproveitamento das informa??es geradas em levantamento de solos, assim como para obten??o de mapas de car?ter pr?tico, como ? o caso da distribui??o espacial de atributos dos solos.

Identiferoai:union.ndltd.org:IBICT/oai:localhost:jspui/1887
Date30 July 2015
CreatorsPINHEIRO, Helena Saraiva Koenow
ContributorsAnjos, L?cia Helena Cunha dos, Carvalho J?nior, Waldir de, Chagas, C?sar da Silva, Anjos, L?cia Helena Cunha dos, Caten, Alexandre ten, Bhering, Silvio Barge, Pereira, Marcos Gervasio, Francelino, M?rcio Rocha
PublisherUniversidade Federal Rural do Rio de Janeiro, Programa de P?s-Gradua??o em Agronomia - Ci?ncia do Solo, UFRRJ, Brasil, Instituto de Agronomia
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFRRJ, instname:Universidade Federal Rural do Rio de Janeiro, instacron:UFRRJ
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0029 seconds