No Brasil, normalmente os modelos digitais de elevação (MDEs) são produzidos pelos próprios usuários e pouca atenção tem sido dada às suas limitações, como fonte de informação espacial. Este estudo propôs avaliar diferentes MDEs para subsidiar a escolha do modelo apropriado para derivar atributos topográficos utilizados em um mapeamento digital de solos, por redes neurais artificiais. A avaliação constou da determinação da raiz quadrada do erro médio quadrático da elevação (RMSE); análise das depressões espúrias; comparação entre drenagem mapeada e drenagem numérica, curvas de nível derivadas e curvas de nível originais, e análise das bacias de contribuição derivadas. Os resultados obtidos demonstraram que apenas o RMSE não foi suficiente para avaliar a qualidade desses modelos. O MDE, derivado de curvas de nível (CARTA, obtido com a utilização do módulo TOPOGRID) apresentou qualidade superior aos MDEs derivados de sensores remotos (ASTER e SRTM). A análise qualitativa também identificou que o MDE CARTA é superior aos demais, pois estes apresentaram grande quantidade de erros que podem comprometer o estabelecimento das relações entre atributos do terreno e as condições locais de solos.

In Brazil, the digital elevation models (DEMs) are usually produced by users themselves and little attention has been given to their limitations as source of spatial information. The objective of this study was to evaluate different DEMs to help in choosing an appropriate model to derive topographical attributes used in a digital soil mapping based on a neural networks approach. The evaluation consisted of the following analysis: determination of root mean square error (RMSE) of elevation; analysis of the spurious depressions; comparison between mapped drainage and numeric drainage and between derived contour lines and original contour lines; and analysis of the derived contribution basins. The results demonstrated that RMSE was not enough to evaluate the quality of these models. DEMs derived from contour lines (CARTA, obtained using the TOPOGRID module) presented better quality than those derived from remote sensors (ASTER and SRTM). These presented great amount of errors that can negatively affect the establishment of relationships between topographical attributes and local conditions of soils.

Este trabalho teve por objetivo avaliar a eficiência dos classificadores redes neurais artificiais (RNA) e o de máxima verossimilhança (Maxver) na classificação do uso da terra no município de Viçosa, MG, a partir de imagens do sensor ASTER, com ênfase nos níveis de degradação das pastagens. Neste estudo, foram identificados três níveis de degradação das pastagens (moderado, forte e muito forte) e avaliada uma composição da imagem do sensor ASTER contendo as 3 bandas do visível e infravermelho próximo, com resolução espacial de 15 m. O simulador de redes neurais empregado foi o "Java Neural Network Simulator" e o algoritmo de aprendizado, o backpropagation. Os resultados mostram que a classificação por redes neurais, embora apresente resultado ligeiramente superior, teve desempenho estatisticamente semelhante ao obtido pela classificação pelo Maxver, obtendo um índice Kappa de 0,80, contra 0,79, respectivamente. Nas classificações realizadas a classe que apresentou maior erro de classificação foi a pastagem no nível de degradação forte, enquanto a maior exatidão na classificação foi obtida pelo café, para ambos os classificadores, com 100 e 96%, respectivamente.

The aim of this work is to evaluate the artificial neural networks and the maximum likelihood classification performances to classify land uses at Viçosa, Minas Gerais State, using ASTER images in order to verify degradation levels of pastures. In this study, three different levels of pasture degradation have been identified (moderate, strong and very strong) and an image composition of 3 bands was tested (covering the visible and the near infra-red) with 15 m of spatial resolution. The neural networks simulator used was the "Neural Java Network Simulator", with a feed forward model and the learning algorithm of back propagation. The obtained results show that the classification using neural networks, while presenting a slightly superior result, had a statistically similar performance compared to the maximum likelihood, getting a Kappa index of 0.80, against 0.79, respectively. In relation to individual performances, the class that presented the greatest error of classification was pasture in the level of very strong degradation, while the largest accuracy in the classification was obtained for coffee, for both classifiers, with 100 and 96% (respectively, Maxver and neural networks).