Regressões Logísticas Múltiplas: fatores que influenciam sua aplicação na predição de classes de solos

Abstract

Métodos mais eficazes para determinação do padrão de distribuição de classes de solo na paisagem precisam ser avaliados visando suprir a demanda por mapas de solo em escalas regional e global. Neste estudo, Regressões Logísticas Múltiplas foram utilizadas como modelos preditores em uma aplicação de Mapeamento Digital de Solos. Os modelos foram gerados utilizando um mapa de solos existente como variável dependente e atributos de terreno como variáveis independentes, o que possibilitou determinar a probabilidade de encontrar classes de solo na paisagem no primeiro e no segundo nível categórico do SiBCS. A qualidade dos mapas preditos foi verificada por meio da matriz de contingência. A classe dos Argissolos foi predita corretamente, em relação ao mapa original, em aproximadamente 85 %. As classes de solos hidromórficos (Planossolos e Gleissolos) foram preditas corretamente em 75 %. Houve confundimento dos modelos para as classes que ocupam posições muito semelhantes na paisagem. Foi verificado também que classes de solo pouco representativas na paisagem não são adequadamente espacializadas em razão da sensibilidade dos modelos logísticos à proporção relativa das amostras usadas para treinar os modelos.More effective methodologies to determine the soil class distribution must be evaluated in order to meet the demand for soil maps at regional and global scales. In this study, logistic regressions were used as predictive models in an application of Digital Soil Mapping. The models were derived from an existing soil map as dependent variable and terrain attributes as independent variables. The probability of finding soil classes in the landscape at the 1st and 2nd Categorical Level of the Brazilian System of Soil Classification (SiBCS) was determined. The quality of the predicted map was tested using a contingency matrix. Approximately 85 % of the Acrisols (Argissolos) were correctly predicted, in relation to the original map. Of the hydromorphic soils, 75 % were correctly predicted. The prediction was inaccurate for classes in very similar positions in the landscape. It was also found that the non-representative soil classes of the landscape were not properly spatialized, due to sensitivity of the logistic models to the relative proportion of the samples used to adjust the models.