Integração de dados do quickbird e atributos do terreno no mapeamento digital de solos por redes neurais artificiais

Abstract

No presente estudo, foi realizada uma avaliação de diferentes variáveis ambientais no mapeamento digital de solos em uma região no norte do Estado de Minas Gerais, utilizando redes neurais artificiais (RNA). Os atributos do terreno declividade e índice topográfico combinado (CTI), derivados de um modelo digital de elevação, três bandas do sensor Quickbird e um mapa de litologia foram combinados, e a importância de cada variável para discriminação das unidades de mapeamento foi avaliada. O simulador de redes neurais utilizado foi o "Java Neural Network Simulator", e o algoritmo de aprendizado, o "backpropagation". Para cada conjunto testado, foi selecionada uma RNA para a predição das unidades de mapeamento; os mapas gerados por esses conjuntos foram comparados com um mapa de solos produzido com o método convencional, para determinação da concordância entre as classificações. Essa comparação mostrou que o mapa produzido com o uso de todas as variáveis ambientais (declividade, índice CTI, bandas 1, 2 e 3 do Quickbird e litologia) obteve desempenho superior (67,4 % de concordância) ao dos mapas produzidos pelos demais conjuntos de variáveis. Das variáveis utilizadas, a declividade foi a que contribuiu com maior peso, pois, quando suprimida da análise, os resultados da concordância foram os mais baixos (33,7 %). Os resultados demonstraram que a abordagem utilizada pode contribuir para superar alguns dos problemas do mapeamento de solos no Brasil, especialmente em escalas maiores que 1:25.000, tornando sua execução mais rápida e mais barata, sobretudo se houver disponibilidade de dados de sensores remotos de alta resolução espacial a custos mais baixos e facilidade de obtenção dos atributos do terreno nos sistemas de informação geográfica (SIG).This study evaluated different environmental variables in the digital soil mapping of an area in the northern region of Minas Gerais State, using artificial neural networks. The environmental variables terrain attributes (slope and compound topographic index), the quickbird bands 1, 2 and 3, and lithology were evaluated. The importance of each of the variables in the classification was tested. The "Java Neural Network Simulator" was used with the backpropagation learning algorithm. For each dataset a neural network was created to predict the soil mapping units, and the map produced by the nets was compared with the conventional, to show the general accuracy of each one. The best classification was achieved when all variables were used, with an accuracy of 67.4 % compared to the the conventional soil map. Of the variables, slope was most significant, because when excluded from the dataset, the classification was worst (accuracy 33.7 %). This result showed that the approach can contribute to overcome some problems of soil mapping in Brazil, especially at scales larger than 1:25,000, with faster and cheaper execution, mainly if remote sensing data with high spatial resolution and an affordable price are available, and good digital elevation models to generate the terrain attributes in the geographical information systems.