Resumo O objetivo deste trabalho foi realizar a expansão de mapas pedológicos pela extrapolação de mapas preexistentes para áreas fisiograficamente semelhantes. Foram utilizados mapas de solos, em escala 1:50.000, das bacias hidrográficas dos rios Santo Cristo e Arroio Portão, no Rio Grande do Sul, e a extrapolação foi feita com uso do algoritmo de árvores de decisão "simple cart", treinado nas áreas previamente mapeadas. As bacias foram divididas em duas partes, uma para o treinamento e outra para a validação do modelo. A partir do modelo digital de elevação Aster-GDEM, foram gerados sete mapas de variáveis preditoras dos solos na paisagem. A amostragem de dados foi aleatória, com densidade de três pontos por hectare. O treinamento dos modelos foi realizado no programa Weka, e as acurácias foram calculadas a partir de matriz de erros. Para ambas as bacias, a acurácia geral do mapa de solos predito foi maior na área de treinamento do que na área de validação, a qual apresentou valores de 50 e 54%. Os mapas produzidos pelo modelo preditor apresentaram acentuada diferença na distribuição espacial das unidades de mapeamento, comparados com o mapa de solos original, indício de que a técnica de mapeamento digital utilizada é pouco eficiente para extrapolar mapas de solos preexistentes para outras áreas fisiograficamente semelhantes.

Abstract The objective of this work was to expand pedological maps by extrapolating existing soil maps to physiographically similar areas. Soil maps were used at the scale of 1:50,000, for the watersheds of the rivers Santo Cristo and Arroio Portão, in the state of Rio Grande do Sul, Brazil, and the extrapolation was done using the "Simple Cart" decision tree algorithm, trained in the previously mapped areas. The watersheds were divided into two parts, one used for model training and the other for model validation. From the digital elevation model Aster-GDEM, seven maps of soil predicting variables in the landscape were generated. Sampling was random and performed with sampling density of three points per hectare. Model training was performed in the Weka software, and model accuracies were calculated using the error matrix. For both watersheds, the overall accuracy of the predicted soil map was higher in the training area than in the validation area, and showed values of 50 and 54%. The maps produced by the predictive model showed acute differences in the spatial distribution of mapping units, compared with the original soil map, indicating that the used digital mapping technique has low effectivity for the extrapolation of pre-existing soil maps to other physiographically similar areas.

Para estudar técnicas de amostragem, úteis ao mapeamento digital de solos (MDS), objetivou-se avaliar o efeito da variação da densidade de pontos amostrais com base em dados de áreas já mapeadas por métodos tradicionais na acurácia dos modelos de árvores de decisão (AD) para a geração de mapas de solos por MDS. Em duas bacias hidrográficas no noroeste do Rio Grande do Sul, usou-se, como referência, antigos mapas convencionais de solos na escala 1:50.000. A partir do modelo digital de elevação do terreno e da rede hidrográfica, foram gerados mapas das variáveis preditoras: elevação, declividade, curvatura, comprimento de fluxo, acúmulo de fluxo, índice de umidade topográfica e distância euclideana de rios. A escolha dos locais dos pontos amostrais foi aleatória e testaram-se densidades amostrais que variaram de 0,1 a 4 pontos/ha. O treinamento dos modelos foi realizado no software Weka, gerando-se modelos preditores usando diferentes tamanhos do nó final da AD para obter AD com tamanhos distintos. Quando não se controlou o tamanho das AD, o aumento da densidade de amostragem resultou no aumento da concordância com os mapas básicos de referências e no aumento do número de unidades de mapeamento preditas. Nas AD com tamanho controlado, o aumento da densidade de amostragem não influenciou a concordância com os mapas de referência e interferiu muito pouco no número de unidades de mapeamento preditas.

In order to study sampling techniques useful for digital soil mapping (DSM), we evaluated the effect of changes in sampling density, based on data from areas already mapped by traditional methods, in regard to the accuracy of decision trees models for generating soil maps using DSM. In two watersheds in northwestern Rio Grande do Sul, Brazil, 1:50,000 scale conventional soils maps were used as reference maps. From the ASTER - GDEM Global Digital Elevation Model and the hydrographic network, maps of predictive variables were generated: elevation, slope, curvature, flow length, flow accumulation, topographic wetness index, and Euclidian distance of the streams. We used random sampling, and tested sampling densities that ranged from 0.1 to 4 points per hectare. Models were trained using Weka software, generating predictive models using different sizes of the final node to obtain decision trees of different sizes. The results indicate that when the size of the decision tree was not controlled, an increase in sampling density resulted in greater overall accuracy in accordance with the basic reference maps and an increase in the number of predicted soil mapping units. When the size of decision trees was controlled, an increase in sampling density did not affect the overall accuracy and had a very slight influence on the number of predicted mapping units.

A produção de mapas pedológicos por meio de técnicas do mapeamento digital de solos (MDS) pode ser dificultada pela falta de mapas pedológicos tradicionais de referência. Nessas situações, o conhecimento tácito do mapeador pode ser usado para o delineamento manual das unidades de mapeamento (UMs) a partir de geração de um mapa de ocorrência de tipos de solos preditos pelo MDS. Os objetivos deste estudo foram avaliar e comparar mapas de solos gerados por dois métodos, um denominado “MDS direto”, em que foi gerado um mapa preditor de UMs com base no modelo estabelecido com informações provenientes de um mapa pedológico convencional de referência preexistente, e outro em que o modelo preditor foi estabelecido a partir do exame de atributos morfológicos de 193 perfis de solo para identificar os tipos de solos, gerando-se um mapa com a indicação de ocorrência de tipos de solos sobre o qual foi realizado o delineamento manual das UMs, com base em mudanças das feições da superfície do solo. As predições foram feitas usando árvores de classificação Simple Cart,correlacionando oito variáveis do terreno com a ocorrência de UMs identificadas com nomes de classes de solos do Sistema Brasileiro de Classificação de Solos. A acurácia dos mapas foi avaliada pela “verdade de campo” (verificação em campo do tipo de solo ocorrente e comparação com o previsto no mapa) e pela concordância dos mapas gerados com o mapa de referência. Quando avaliado pela “verdade de campo”, a acurácia do mapa gerado pelo método MDS direto foi de 74 %, enquanto a acurácia do mapa de MDS com delineamento manual foi de 79 %. Os dois métodos apresentaram resultados satisfatórios; o método que usou o delineamento manual e a identificação em alguns locais dos tipos de solo no campo apresentou a vantagem de não necessitar de mapas pedológicos de referência para o treinamento dos modelos preditores.

The production of soil maps through digital soil mapping (DSM) techniques may be hampered due to the lack of traditional reference soil maps. In these situations, the tacit knowledge of the field soil scientist can be used for manual delineation of soil mapping units (MUs) based on generation of a map of occurrence of soil types predicted by DSM. The objective of this study was to evaluate and to compare soil maps generated by two methods. One method, called “direct DSM”, generates a map predicting soil MUs based on a model established with information from a traditional pedological reference map. The other established a predicting model through examination of morphological properties of 193 soil profiles for identification of soil types, generating a map that indicates the occurrence of soil types performed through manual delineation of MUs (based on changes in land surface features). Predictions were made using Simple Cart classification trees, correlating eight terrain variables with the occurrence of MUs identified by soil class names from the Brazilian Soil Classification System (Sistema Brasileiro de Classificação de Solos). The accuracy of the maps was evaluated based on “field truth” (field verification of the soil type and comparison with that predicted on the map) and by agreement between the prediction maps generated and the reference map. When evaluated by “field truth”, the accuracy of the map generated by the direct DSM method was 74 %, whereas the accuracy of the map generated by DSM with manual delineation was 79 %. Both methods showed satisfactory results, and the method with manual delineation and identification of soil types in some locations in the field had the advantage of not requiring reference soil maps for training prediction models.

Os modelos preditores usados no mapeamento digital de solos (MDS) precisam ser treinados com dados que captem ao máximo a variação dos atributos do terreno e dos solos, a fim de gerar correlações adequadas entre as variáveis ambientais e a ocorrência dos solos. Para avaliar a acurácia desses modelos, tem sido constatado o uso de diferentes métodos de avaliação da acurácia no MDS. Os objetivos deste estudo foram comparar o uso de três esquemas de amostragem para treinar algoritmo de árvore de classificação (CART) e avaliar a capacidade de predição dos modelos gerados por meio de quatro métodos. Foram utilizados os esquemas de amostragem: aleatório simples; proporcional à área de cada unidade de mapeamento de solos (UM); e estratificado pelo número de UM. Os métodos de avaliação testados foram: aparente, divisão percentual, validação cruzada com 10 subconjuntos e reamostragem com sete conjuntos de dados independentes. As acurácias dos modelos estimadas pelos métodos foram comparadas com as acurácias mensuradas obtidas pela comparação dos mapas gerados, a partir de cada esquema de amostragem, com o mapa convencional de solos na escala 1:50.000. Os esquemas de amostragem influenciaram na quantidade de UMs preditas e na acurácia dos modelos e dos mapas gerados. Os esquemas de amostragem proporcional e estratificada resultaram mapas digitais menos acurados, e a acurácia dos modelos variou conforme o método de avaliação empregado. A amostragem aleatória resultou no mapa digital mais acurado e apresentou valores da acurácia semelhantes para todos os métodos de avaliação testados.

The predictive models used in digital soil mapping (DSM) need to be trained with data that most fully capture the variation of terrain and soil properties in order to generate adequate correlations between environmental variables and the occurrence of soil unities. Several methods have been used in DSM to evaluate the accuracy of these models. The aims of this study were to compare the use of three sampling procedures for training a classification and regression tree (CART) algorithm, and evaluate the predictive capacity of the models generated using four methods. The sampling procedures used were: simple random; proportional to the area of each soil mapping unit (MU), and stratified by the number of MUs. The evaluation methods tested were: apparent, percentage division, cross-validation with 10 subsets, and resampling with seven independent data sets. The accuracies of the models estimated by the methods were compared with the measured accuracies. This was achieved by comparing the maps generated, based on each sampling procedure, with the conventional soil map at the scale of 1:50,000. The sampling procedures influenced the number of MUs predicted and the accuracy of the models and of the maps generated. The proportional and stratified sampling procedures resulted in less accurate digital soil maps, and the accuracies of the models varied according to the evaluation method adopted. Random sampling resulted in the most accurate digital soil map and presented accuracy values that were similar for all the evaluation methods tested.

Os modelos digitais de elevação (MDEs) são fontes fundamentais para correlacionar a ocorrência e distribuição de solos com a paisagem pelo mapeamento digital de solos (MDS). A influência dos tipos e das resoluções dos MDEs na capacidade de predição dos modelos preditores de classes de solo ainda é pouco estudada. Neste estudo, foram avaliados e comparados os efeitos de diferentes MDEs na predição de ocorrência de unidades de mapeamento de solo (UM). Foram correlacionados 12 atributos do terreno derivados de diferentes MDEs com a ocorrência de UM. Os MDEs utilizados foram os oriundos dos projetos SRTM v4.1, ASTER GDEM v2, TOPODATA e Brasil em Relevo, e os MDEs gerados a partir de curvas de nível na escala de 1:50.000, com resoluções de 30 e 90 m. Os modelos preditores foram treinados por árvore de decisão (Simple Cart) com dados amostrados em 4.280 pontos aleatórios contendo informações dos solos extraídos de um mapa convencional de solos na escala 1:20.000 e 12 atributos do terreno derivados de seis MDEs com tamanhos de pixel de 30 e 90 m. A validação dos modelos preditores de UM foi realizada com a totalidade dos dados da área. Os atributos do terreno que melhor explicaram a ocorrência das UM foram elevação, declividade, comprimento de fluxo e orientação das vertentes. Os MDEs com tamanho de pixel de 30 m geraram correlações solo-paisagem menos acuradas. Os modelos preditores mais acurados e com maior número de UM estimadas foram os gerados a partir dos MDEs com resolução espacial de 90 m (SRTM v4.1 e CN90), sendo esses os MDEs mais indicados para o MDS, quando predominarem relevos plano e suave ondulado.

Digital elevation models (DEM) are fundamental sources for correlating the occurrence and distribution of soils in the landscape by digital soil mapping (DSM). The influence of the types and resolutions of DEMs on the predictive capability of prediction models of soil classes has not been greatly studied. This study evaluated and compared the effects of different DEMs on the prediction of occurrence of soil mapping units (MU). Twelve predictor variables derived from different DEMs were correlated with the occurrence of MU. The DEMs used were those from the SRTM v4.1, ASTER GDEM v2, TOPODATA, and Brasil em Relevo projects, and the DEMs generated from contour lines on the scale of 1:50,000, with resolutions of 30 and 90 m. The predictive models were guided by a decision tree (Simple Cart) with data sampled at 4,280 random points containing information extracted from soils of a conventional soil map at a scale of 1:20,000 and 12 terrain attributes derived from six DEMs with pixel sizes of 30 and 90 m. The validation of MU prediction models was performed with all the data from the area. The terrain attributes that best explained the occurrence of MU were elevation, slope, flow length, and aspect. The DEMs with 30 m pixel size generated less accurate soil-landscape correlations. The most accurate prediction models with a higher number of estimated MU were generated from the DEMs with spatial resolution of 90 m (SRTM v4.1 and CN90). These are the DEMs most suitable for DSM when flat and slightly rolling terrain predominate.

O mapeamento digital de solos (MDS) tem como base a geração de sistemas de informações que permitem estabelecer relações matemáticas entre variáveis ambientais e solos e, dessa forma, predizer a distribuição espacial das classes ou propriedades dos solos. Dentre as abordagens mais utilizadas, as árvores de decisão têm se destacado por apresentar bons resultados no MDS. Por outro lado, dada a disponibilidade de novas fontes de informação sobre a elevação, torna-se necessário o teste e avaliação de modelos digitais de elevação (MDE) quanto ao seu uso para o MDS. Este estudo testa cinco algoritmos de árvores de decisão (Simple Chart, Random Tree, REP Tree, BF Tree e J48) e três MDE (Aster GDEM, SRTM e SRTM V3) para o MDS a nível semidetalhado, em situações em que o principal fator diferenciador entre os tipos de solo é o relevo. O uso do MDE Aster GDEM e árvore de decisão com algoritmo J48, Simple Tree e BF Tree foram os que produziram modelos de árvore de decisão capazes de produzir mapas de solo com maior similaridade ao mapa de referência.

Digital soil mapping (DSM) has been shown to be feasible to use in soil survey. Although several methods have been exploited, there is a lack in defining methodologies for doing DSM. This study tests five decision trees algorithms that have been identified as suitable (Simple Chart, Random Tree, REP Tree, BF Tree, and J48) and three digital elevation models (AsterGDEM, SRTM and SRTM V3) for DSM at semidetailed level in situations where the main differentiating factor between soil types is the relief. The use of MDE Aster GDEM and decision three algorithms J48, Simple Tree e BF Tree produced decision tree models capable of produce soil maps with larger accuracy related to reference soil maps.

A área útil efetiva é um parâmetro importante na aquisição de terras e planejamento do florestamento. A finalidade desta pesquisa foi gerar mapas preditores de áreas aptas ao plantio de eucalipto usando regressões logísticas binárias e variáveis geomorfométricas. As relações entre as variáveis preditoras e as áreas aptas para plantio de eucalipto foram modeladas e a variável que melhor explicou a ocorrência de áreas para plantio foi a distância dos rios. O mapa gerado apresentando as áreas aptas para plantio mostrou alta capacidade de reproduzir o mapa original de plantio de eucalipto. As regressões logísticas demonstraram viabilidade do uso para o mapeamento da aptidão para o plantio de eucalipto.

Effective usable area is a key parameter in land acquisition and afforestation planning. The purpose of this research was to generate predictive maps of areas suitable for planting eucalyptus trees using binary logistic regressions and geomorphometric variables. The relationships between the predicting variables and suitable areas for planting eucalyptus trees were modeled and the variable that best explained occurrence of suitable lands was distance from rivers. The generated map showing areas suitable for planting had a high ability to reproduce the original planting map. Logistic regressions demonstrated the feasibility of use this approach to map suitability for eucalyptus forestation.