Classificação supervisionada de solos por redes neurais artificiais na Serra do Cipó - MG

Abstract

A classificação supervisionada de solos, especialmente nas últimas décadas, vem sendo realizada com o auxílio de modelos matemáticos e estatísticos, dentre os quais destaca-se o modelo de redes neurais, o qual tem apresentado exatidão superior quando comparado com métodos clássicos, como o de Máxima Verossimilhança (MaxVer), auxiliando no método convencional de mapeamento. No entanto, na maioria dos trabalhos foram avaliadas as propriedades dos solos, sendo o estudo das classes de solos ainda incipiente. Assim, este trabalho teve como objetivo realizar a classificação de solos por redes neurais e pelo MaxVer para uma área situada na Serra do Cipó, no estado de Minas Gerais. Para tanto, utilizaram-se informações analíticas de 55 perfis de solos, classificados até o quarto nível categórico do Sistema Brasileiro de Classificação de Solos. As unidades do mapa de solos foram compostas por semelhanças entre as propriedades físicas do solo e as características do ambiente. As variáveis discriminantes avaliadas na classificação foram seis cenas da imagem do satélite Landsat, sensor ETM+; quatro índices derivados dessa imagem (Clay minerals, Ferrous minerals,Iron oxide e NDVI); modelo digital de elevação e atributos derivados: altitude, declividade, índice topográfico combinado, face de exposição, radiação solar, curvatura e amplitude altimétrica, além dos mapas geológico e pedológico. A partir desse conjunto de variáveis, identificaram-se aquelas que melhor contribuíram na discriminação dos solos, em cada uma das duas abordagens empregadas. Na classificação pelas redes neurais foram empregados o simulador Stuttgart Neural Network Simulator e o algoritmo backpropagation, sendo a arquitetura e os parâmetros selecionados por meio de tentativas e testes de significância estatística. Os resultados obtidos por ambos os classificadores, redes neurais e MaxVer, foram comparados entre si, utilizando-se a validação dos mapas com pontos de referência terrestre. Os mesmos pontos de referência foram utilizados para validar o mapa de solos obtido pelo método convencional de mapeamento. Os mapas obtidos pelos dois classificadores, utilizando o conjunto de varáveis que proporcionou melhor desempenho do classificador, apresentaram índice de exatidão considerado bom, sem diferença estatística na exatidão global dos mapas. O mapa melhor classificado pelo MaxVer apresentou índice kappa de 0,58, enquanto que, pelas redes neurais, o maior índice foi de 0,60. Esses valores não diferiram estatisticamente, entretanto, os classificadores diferiram na discriminação das unidades de solo, sendo duas unidades melhor classificadas pelo MaxVer, três pelas redes neurais e quatro unidades com exatidão estatisticamente igual para os dois classificadores. A exatidão global do mapa obtido pelo método convencional de mapeamento foi de 82%, sendo esse índice calculado pelo somatório dos solos de referência concordantes com qualquer componente da unidade. Os solos no primeiro componente das unidades de mapeamento apresentaram 48% de concordância com solos de referência.

The supervised classification of soils, especially in recent decades, is being carried out using mathematical and statistical models, amongst which the model of neural networks, stand out by greater accuracy of mapping comparing to classical models, such as Maximum Likelihood (MaxVer), helping the conventional method of mapping. Neural Networks model has been performed mostly for soil properties, with little application for soil classes. This work aimed to undertake the classification of soil using neural networks and MaxVer for an area located in Serra do Cipó, in the State of Minas Gerais. The map units was defined based on information from 55 soil profiles classified accord to the Brazilian System of Soils Classification to the fourth categorical level, whereas compound units were done with basis on the similarity of soil properties and the characteristics of physics environment. The discriminates variables used included: six scenes of Landsat satellite image sensor ETM+, four indexes derived from this image (Clay minerals, Ferrous minerals, Iron oxide and NDVI), Digital Elevation Model and derived attributes: altitude, slope, compound topographic index, aspect, solar radiation, curvature and elevation amplitude, in addiction to geological and soil maps. Several variables combinations were tested in both classifiers, selecting those that best contribute to classify the soil with high accuracy on the two supervised mapping approaches. The classification by neural networks was performed using the Stuttgart Neural Network Simulator and the backpropagation algorithm, the framework and classification parameters were selected by training and statistical tests. The results obtained with both classifiers, neural networks and MaxVer were compared using ground data as reference. The same set of reference points was used to validate the soil map obtained by the conventional method of mapping. Maps obtained by the two classifiers using the group of variables that provided the best performance to the classification showed a good accuracy index, with no statistical difference in overall accuracy of the maps. The map generated by MaxVer showed a kappa index of 0.58, while the map from neural network showed an index of 0.60. Although the accuracy of the two maps was statistically similar, the classifiers efficiency in individual discrimination of soil units differed significantly, with two units being best classified by MaxVer, three units by neural networks and four units with similar accuracies in both approach classification. The overall accuracy of soil maps made by the conventional method was 82%. The soils of the first component in mapping units agreed in 48% with reference soils.