Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Social demands on soil information have grown dramatically, meanwhile the soil surveys are seldom carried out in the country. Digital soil mapping techniques
can be applied to infer the spatial distribution of soil from existing soil maps or from reference areas, extrapolating this information to areas not mapped. The purpose of this study was to apply in a Geographic Information System the Multiple Logistic Regressions (MLR) using Principal Components (PC) as explanatory variables to
predict soil classes spatial distribution. The study area was the region of municipality São Pedro do Sul / RS. For the development of predictive models a set of nine
terrain attributes were used. Model training was executed on an existing soil map and with a survey carried out in a reference area, both in a 1:50.000 scale. The first three
retained PC explained 65.57% of the data variability. The predictive models which used PC had lower values of kappa index. The most accurate predicted map reached
a kappa value of 63.20% and was generated by using the nine attributes of land as predictive covariates. The mapping accuracy is sensitive to similarities between the
mapped classes, and mapping in a more homogeneous categorical level reduces the accuracy of the predicted maps. Soil classes relatively not representative in the
training maps are not properly spatialized. The use of MLR allows spatializing of soil classes to areas not mapped, although the use of PC needs to be tested with a larger
number of covariates. / As demandas da sociedade pela informação solo têm crescido, porém levantamentos pedológicos praticamente não ocorrem mais no país. Técnicas de Mapeamento Digital do Solo podem ser empregadas para inferir a distribuição espacial de classes de solos a partir de mapas existentes e áreas de referência,
extrapolando esta informação para áreas não mapeadas. O objetivo deste estudo foi empregar em um Sistema de Informações Geográficas as Regressões Logísticas
Múltiplas (RLM) utilizando-se de Componentes Principais (CP) como variáveis explicativas para a predição espacial de classes de solos. A área de estudo foi na região do município de São Pedro do Sul / RS. Para o desenvolvimento dos modelos
preditivos foram utilizados um conjunto de nove atributos do terreno. O treinamento dos modelos foi executado em um mapa de solos existente, e em um levantamento
realizado em áreas de referência, ambos na escala 1:50.000. As três primeiras CP retidas explicaram 65,57% da variabilidade dos dados. Os modelos preditivos que
empregaram CP obtiveram menores valores do índice kappa. O mapa predito mais acurado empregou os nove atributos do terreno e alcançou um valor de kappa de 63,20%. A acurácia do mapeamento é sensível a semelhança entre as classes
mapeadas, e o mapeamento em níveis categóricos mais homogêneos reduz a precisão dos mapas preditos. Classes de solos relativamente pouco representativas não são corretamente espacializadas. O emprego de RLM permite espacializar classes de solos para áreas não mapeadas, embora o emprego de CP necessite ser testado com um maior número de covariáveis.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsm.br:1/5483 |
| Date | 31 October 2008 |
| Creators | Caten, Alexandre Ten |
| Contributors | Dalmolin, Ricardo Simão Diniz, Pedron, Fabrício de Araújo, Brefin, Maria de Lourdes Mendonça Santos |
| Publisher | Universidade Federal de Santa Maria, Programa de Pós-Graduação em Ciência do Solo, UFSM, BR, Agronomia |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSM, instname:Universidade Federal de Santa Maria, instacron:UFSM |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 500100000009, 400, 500, 500, 500, 300, 0845916a-ab9b-4bc9-a3d6-f1d2b58563e3, 8273fef1-1d34-48f7-81c6-69fb015e26f4, 60a81b29-b0cb-483a-a465-e25caaf3ca6d, aee06de5-43d5-4db8-a7a3-e9b687ed2bd6 |
Page generated in 0.0162 seconds