Digital mapping of soil attributes using machine learning

AUTOR(ES)
FONTE

Rev. Ciênc. Agron.

DATA DE PUBLICAÇÃO

04/11/2019

RESUMO

RESUMO O mapeamento de atributos químicos do solo em larga escala pode acarretar em ganhos no planejamento de uso e ocupação do mesmo. Existem diferentes técnicas disponíveis para tal fim, cujos desempenhos devem ser testados para diferentes situações de paisagem. Objetivou-se neste trabalho espacializar atributos químicos do solo, comparando oito métodos para predição. Como variáveis independentes foram utilizados 40 atributos morfométricos gerados a partir do modelo digital de elevação, além de dados geofísicos, imagens do satélite Landsat 8 e o NDVI. Calculou-se todas combinações possíveis entre as bandas do satélite, gerando 28 novas variáveis. Também foram feitas combinações entre as bandas de Th, U e K obtidas dos dados geofísicos, gerando outras três variáveis. As últimas variáveis calculadas foram as distâncias entre os quatro pontos das extremidades da bacia (d1, d2, d3 e d4). As variáveis dependentes do modelo foram teores de Al, Ca, Fe, K, Mg, Na, Si, Ti, Cr, Cu, Mn, Ni, P, Pb, V, Zn, Zr, S e Cl. Foram utilizadas 200 amostras de solo, coletadas em 100 pontos em duas profundidades (0-10 e 10-30 cm), e os elementos totais foram determinados em analisador de fluorescência de raios-X. Random Forest mostrou-se superior aos demais para predizer os atributos químicos do solo nas duas profundidades, sendo indicado para predição dos atributos dos solos da região de estudo. As variavéis espaciais mostraram-se altamente prescindíveis, devendo ser consideradas nas modelagens dos elementos químicos do solo. É possível a predição dos elementos com R2 variando de 0,32 a 0,62 pelos métodos testados.ABSTRACT Mapping the chemical attributes of the soil on a large scale can result in gains when planning the use and occupation of the land. There are different techniques available for this purpose, whose performance should be tested for different types of landscapes. The aim of this study was to spatialize chemical attributes of the soil, comparing eight methods of prediction. Forty morphometric attributes, generated from a digital elevation model, were used as independent variables, in addition to geophysical data, images from the Landsat 8 satellite and the NDVI. All possible combinations between the satellite bands were calculated, generating 28 new variables. Combinations between the Th, U and K bands obtained from the geophysical data were also calculated, generating a further three variables. The final variables to be calculated were the distances between the four points of the edges of the basin (d1, d2, d3 and d4). The dependent variables for the model were Al, Ca, Fe, K, Mg, Na, Si, Ti, Cr, Cu, Mn, Ni, P, Pb, V, Zn, Zr, S and Cl. A total of 200 soil samples were used, which were collected from 100 points at two depths (0-10 and 10-30 cm); the total elements were determined using an X-ray fluorescence analyzer. The Random Forest algorithm proved to be superior to the others in predicting the chemical attributes of the soil at both depths, and is suitable for predicting soil attributes in the study region. Spatial variables are essential, and should be considered when modelling chemical elements in the soil. Using the methods under test, it is possible to predict elements with R2 values ranging from 0.32 to 0.62.

Documentos Relacionados