Palavras-chave: modelo digital de elevação, variáveisgeomorfométricas, classificação em estágio único, classificação hierárquica. ABSTRACT Soil maps are sources of important information for land planning and management, but are expensive to produce. This paper proposes testing and comparing single stage classification methods (Multiple Multinomial Logistic Regression and Bayes) and multiple stage classification methods (Classification and Regression Trees (CART), J48 and Logistic Model Trees (LMT)) using geographic information system and terrain parameters for producing soil maps with both original and simplified legend. The database was managed in ArcGis computer application in which the variables and the original INTRODUÇÃOMapas pedológicos são fontes de informações primordiais para planejamento e manejo de uso do solo. O Brasil possui grande parte de seu território coberto por mapas de solos pouco detalhados com escala de 1:1.000.000, produzidos a partir do ano de 1986 pelo projeto Radambrasil. Embora estejam disponíveis, esses dados têm escala muito pequena, não adequada para o gerenciamento municipal de propriedades rurais ou regiões de bacias hidrográficas. Mapas de solos mais detalhados, em escala maior, são escassos.Como os custos necessários para elaboração de mapas em escalas maiores são altos, métodos de mapeamento supervisionados estão sendo testados e analisados com a finalidade de produzir mapas pedológicos com baixo custo-benefício. Para LAGACHERIE & MCBRATNEY (2007), o mapeamento digital de solos se baseia na geração de sistemas de informações que permitem estabelecer relações matemáticas entre variáveis ambientais e classes de solos e, assim, predizer a distribuição espacial das classes de solos. Alguns métodos de mapeamento digital de solos já estão sendo utilizados, como regressões logísticas múltiplas multinomiais (GIASSON et al., 2006; CAMPLING et al., 2002), modelos logísticos com aplicação de componentes principais (TEN CATEN et al., 2009), redes neurais artificiais (SIRTOLI, 2008), classificação hierárquica e support vector machine (SVM) (BEHRENS & SCHOLTEN, 2007).Considerando-se que classificadores hierárquicos têm a capacidade de converter processos de decisão complexos em uma série de decisões simples (BREIMAN et al., 1984), aumentando, em geral, a acurácia dos resultados, o presente trabalho tem por objetivo comparar métodos de classificação em estágio único (CEU), como regressão logística múltipla multinomial (RLMM) e classificador de Bayes, e métodos de classificação hierárquica, como LMT (Logistic Model Trees), CART (Classification and Regression Trees) e o algoritmo J48 (também conhecido como C4.5), para produção de mapas detalhados de solos a partir de variáveis geomorfométricas de uma área de referência com utilização de legenda original e simplificada. (RABUS et al., 2003). No aplicativo computacional ArcGis 9.2 (ESRI, 2006), foram geradas sete variáveis geomorfométricas: a) declividade, b) curvatura planar, c) perfil de curvatura, d) curvatura (combinação entre curvatura pla...

No abstract

In Brazil several digital soil class mapping studies were carried out from 2006 onwards to maximize the use of existing maps and information and to provide estimates for wider areas. However, there is no consensus on which methods have produced superior results in the predictive value of soil maps. This study conducts a systematic review of digital soil class mapping in Brazil and aims to analyze the factors which can improve the accuracy of digital soil class maps. Data from 334 digital soil class mapping studies were grouped and analyzed by Student's t-test, Wilcoxon-Mann-Whitney test and Kruskal-Wallis test. When conventional maps were used for validation, the studies showed average values of 63 % and when field samples were used, 56 % for Overall Accuracy. Studies compatible with the Planimetric Cartographic Accuracy Standard for Digital Cartographic Products (PEC-PCD) averaged between 4 % and 15 % higher accuracy than those of the incompatible group. There seems to be no evidence that increasing the number of variables and samples results in more accurate soil map prediction, but studies using variables related to four soil-forming factors enhanced accuracy. From a density of 0.08 MU km-2 and upwards, it became more difficult for studies to obtain greater accuracy. Artificial neural network classifiers and Decision Tree models seem to be producing more accurate digital soil class maps.

No abstract

AGRONOMIA (AGRONOMY) RESUMO: Os estudos de mapeamento digital de classes de solos (MDS) têm utilizado mapas legados como principal fonte de informação para calibração dos modelos preditores. Entretanto, são necessárias novas abordagem com técnicas que permitam o uso de informações contidas em perfis de solos georreferenciados, permitindo a aplicação do MDS em áreas amostradas que não disponibilizem de mapas convencionais de solos. O objetivo deste estudo foi avaliar o desempenho na predição de ocorrência de solos de amostras coletadas em pixels de perfis de solos georreferenciados e em pixels coletados em buffers com raio de 50, 100, 150, 200 e 250 m dos perfis de solos nas bacias dos rios Lajeado Grande e Santo Cristo. As duas áreas possuem dados de levantamento de solos publicados em escala 1:50.000. Para predição da ocorrência das classes de solos foram utilizadas dez variáveis preditoras geradas a partir de um modelo digital de elevação com resolução espacial de 30 m. Para a predição foi utilizado o algoritmo Random Forest. Os mapas preditos foram avaliados quanto à exatidão em relação aos perfis de solos e quanto a reprodutibilidade dos mapas convencionais. A utilização dos pixels amostrais coletados nos buffers não alterou de forma expressiva a acurácia geral dos mapas preditos na bacia do rio Lajeado Grande, mas permitiu um ganho de 15,6% de exatidão na bacia do rio Santo Cristo. O uso apenas dos perfis georreferenciados resultou em mapas preditos com exatidão superior a 75% e concordância de reprodutibilidade igual ou superior a 67% em relação ao mapa convencional.