Navegando por Autor "Chagas, César da Silva"
Agora exibindo 1 - 5 de 5
- Resultados por Página
- Opções de Ordenação
Item Análise multivariada de Argissolos da faixa atlântica brasileira(Revista Brasileira de Ciência do Solo On-line version ISSN 1806-9657, 2008-09) Carvalho Junior, Waldir de; Schaefer, Carlos Ernesto G.R.; Chagas, César da Silva; Fernandes Filho, Elpídio InácioA faixa atlântica brasileira possui extrema diversidade ambiental, onde é expressiva a ocorrência de Argissolos, descritos e identifcados em diversos estudos, sem que tenham sido exauridas as possibilidades de interpretações. O objetivo deste estudo foi avaliar, por meio da análise multivariada, as principais diferenças nos atributos físicos e químicos de Argissolos da faixa atlântica brasileira. Foram analisados 91 perfis de solos oriundos de levantamentos pedológicos realizados pelo Projeto RADAMBRASIL, agrupados em três domínios geomorfológicos distintos: Planaltos Soerguidos, Planaltos Rebaixados e Tabuleiros Costeiros, por meio da análise de componentes principais e análise de função discriminante. Para isso, foram selecionadas 14 variáveis para identificar as peculiaridades de cada grupo geomorfológico e suas principais diferenças. A análise dos componentes principais demonstrou que os cinco primeiros componentes respondem por aproximadamente 70 % da variação dos dados. A análise integrada confirmou que os Argissolos dos Planaltos Soerguidos são mais rasos, associando maiores taxas de erosão com menor espessura dos horizontes Bt, e são quimicamente pobres, embora mais rejuvenescidos e rasos. Já os Argissolos nos Planaltos Rebaixados, submetidos a um clima mais seco e, ou, sazonal que os situados nos Planaltos Soerguidos e Tabuleiros Costeiros, mostram-se menos intemperizados e com maior CTC. As análises realizadas (componentes principais e análise discriminante) permitem melhor entender as relações geomorfopedológicas dos Argissolos nos diferentes domínios estudados.Item Aplicação de um sistema automatizado (ALES - Automated Land Evaluation System) na avaliação das terras das microrregiões de Chapecó e Xanxerê, Oeste Catarinense, para o cultivo de grãos(Revista Brasileira de Ciência do Solo, 2006-03) Fernandes Filho, Elpidio Inácio; Chagas, César da Silva; Carvalho Junior, Waldir de; Pereira, Nilson RendeiroA avaliação de terras é o processo que permite estimar o uso potencial da terra com base em seus atributos. Grande variedade de modelos analíticos pode ser usada neste processo. No Brasil, os dois sistemas de avaliação das terras mais utilizados são o Sistema de Classificação da Capacidade de Uso da Terra e o Sistema FAO/Brasileiro de Aptidão Agrícola das Terras. Embora difiram em vários aspectos, ambos exigem o cruzamento de inúmeras variáveis ambientais. O ALES (Automated Land Evaluation System) é um programa de computador que permite construir sistemas especialistas para avaliação de terras. As entidades avaliadas pelo ALES são as unidades de mapeamento, as quais podem ser de caráter generalizado ou detalhado. A área objeto desta avaliação é composta pelas microrregiões de Chapecó e Xanxerê, no Oeste catarinense, e engloba 54 municípios. Os dados sobre os solos e sobre as características da paisagem foram obtidos no levantamento de reconhecimento dos solos do Estado, na escala de 1:250.000. O presente estudo desenvolveu o sistema especialista ATOSC (Avaliação das Terras do Oeste de Santa Catarina) e, na sua construção, incluiu-se a definição dos requerimentos dos tipos de utilização da terra, bem como foi feita a subseqüente comparação destes com os atributos de cada unidade de mapeamento. Os tipos de utilização da terra considerados foram: feijão, milho, soja e trigo, em cultivos solteiros, sob condições de sequeiro e de manejo característicos destas culturas no Estado. As informações sobre os recursos naturais compreendem os atributos climáticos, de solos e das condições da paisagem que interferem na produção destas culturas. Para cada tipo de utilização da terra foram especificados, no ATOSC, o código, o nome e seus respectivos requerimentos de uso da terra. Os requerimentos de cada cultura foram definidos por uma combinação específica das características das terras selecionadas, que determina o nível de severidade de cada um deles em relação à cultura. Estabeleceram-se quatro níveis de severidade que indicam aumento do grau de limitação ou diminuição do potencial para determinado tipo de uso da terra, a saber: limitação nula ou ligeira (favorável); limitação moderada (moderadamente favorável), limitação forte (pouco favorável); e limitação muito forte (desfavorável). Na árvore de decisão, componente básico do sistema especialista, são implementadas as regras que permitirão o enquadramento das terras em classes de adequação definidas, baseado na qualidade dos requerimentos de acordo com o tipo de uso. O ATOSC facilitou o processo de comparação entre as características das terras das microrregiões de Chapecó e Xanxerê e os requerimentos de uso considerados, por permitir efetuar automaticamente a avaliação das terras, reduzindo, assim, o tempo gasto neste processo. As terras das microrregiões de Chapecó e Xanxerê foram enquadradas, em sua maior parte, nas classes de adequação pouco favorável (3) e desfavorável (4) para os cultivos considerados. Os principais fatores limitantes identificados nestas microrregiões foram a fertilidade natural e o risco de erosão, para o feijão e o milho, e condições de mecanização e risco de erosão, para a soja e o trigo.Item Atributos topográficos e dados do Landsat7 no mapeamento digital de solos com uso de redes neurais(Pesquisa Agropecuária Brasileira, 2010-05) Fernandes Filho, Elpídio Inácio; Chagas, César da Silva; Vieira, Carlos Antônio Oliveira; Schaefer, Carlos Ernesto Gonçalves Reynaud; Carvalho Júnior, Waldir deO objetivo deste trabalho foi avaliar variáveis discriminantes no mapeamento digital de solos com uso de redes neurais artificiais. Os atributos topográficos elevação, declividade, aspecto, plano de curvatura e índice topográfico, derivados de um modelo digital de elevação, e os índices de minerais de argila, óxido de ferro e vegetação por diferença normalizada, derivados de uma imagem do Landsat7, foram combinados e avaliados quanto à capacidade de discriminação dos solos de uma área no noroeste do Estado do Rio de Janeiro. Foram utilizados o simulador de redes neurais Java e o algoritmo de aprendizado "backpropagation". Os mapas gerados por cada um dos seis conjuntos de variáveis testados foram comparados com pontos de referência, para a determinação da exatidão das classificações. Esta comparação mostrou que o mapa produzido com a utilização de todas as variáveis obteve um desempenho superior (73,81% de concordância) ao de mapas produzidos pelos demais conjuntos de variáveis. Possíveis fontes de erro na utilização dessa abordagem estão relacionadas, principalmente, à grande heterogeneidade litológica da área, que dificultou o estabelecimento de um modelo de correlação ambiental mais realista. A abordagem utilizada pode contribuir para tornar o levantamento de solos no Brasil mais rápido e menos subjetivo.Item Comparison between artificial neural networks and maximum likelihood classification in digital soil mapping(Revista Brasileira de Ciência do Solo, 2013-02-28) Chagas, César da Silva; Vieira, Carlos Antônio Oliveira; Fernandes Filho, Elpídio InácioSoil surveys are the main source of spatial information on soils and have a range of different applications, mainly in agriculture. The continuity of this activity has however been severely compromised, mainly due to a lack of governmental funding. The purpose of this study was to evaluate the feasibility of two different classifiers (artificial neural networks and a maximum likelihood algorithm) in the prediction of soil classes in the northwest of the state of Rio de Janeiro. Terrain attributes such as elevation, slope, aspect, plan curvature and compound topographic index (CTI) and indices of clay minerals, iron oxide and Normalized Difference Vegetation Index (NDVI), derived from Landsat 7 ETM+ sensor imagery, were used as discriminating variables. The two classifiers were trained and validated for each soil class using 300 and 150 samples respectively, representing the characteristics of these classes in terms of the discriminating variables. According to the statistical tests, the accuracy of the classifier based on artificial neural networks (ANNs) was greater than of the classic Maximum Likelihood Classifier (MLC). Comparing the results with 126 points of reference showed that the resulting ANN map (73.81 %) was superior to the MLC map (57.94 %). The main errors when using the two classifiers were caused by: a) the geological heterogeneity of the area coupled with problems related to the geological map; b) the depth of lithic contact and/or rock exposure, and c) problems with the environmental correlation model used due to the polygenetic nature of the soils. This study confirms that the use of terrain attributes together with remote sensing data by an ANN approach can be a tool to facilitate soil mapping in Brazil, primarily due to the availability of low-cost remote sensing data and the ease by which terrain attributes can be obtained.Item Mapeamento digital de solos por correlação ambiental e redes neurais em uma bacia hidrográfica no Domínio de mar de morros(Universidade Federal de Viçosa, 2006-09-13) Chagas, César da Silva; Schaefer, Carlos Ernesto Gonçalves Reynaud; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723204Y8; Vieira, Carlos Antonio Oliveira; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728250D0; Fernandes Filho, Elpídio Inácio; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4703656Z4; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4785135D2; Carvalho Júnior, Waldir de; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4700936P6; Brites, Ricardo Seixas; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788592U7Os levantamentos de solos tradicionais vêm sendo muito criticados por serem caros, demorados e não apresentarem adequadamente as informações demandadas pelos diferentes usuários. Desta maneira, é preciso que os cientistas de solos busquem, através de pesquisa e adoção de novas técnicas, meios para torná-los mais rápidos, menos custosos e mais quantitativos, adequando-se às necessidades dos usuários modernos. O presente estudo teve como objetivo avaliar a utilização de atributos do terreno e dados de sensores remotos em uma abordagem por redes neurais para a predição de classes de solos em uma região montanhosa do Domínio de mar de morros e Alinhamentos serranos no Noroeste do Estado do Rio de Janeiro. Como a abordagem utilizada é grandemente influenciada pelos atributos do terreno derivados de um modelo digital de elevação (MDE), inicialmente foi realizada uma avaliação quantitativa e qualitativa de diferentes MDEs para subsidiar a escolha do modelo mais adequado para derivar estes atributos, que posteriormente foram utilizados na predição das classes de solos pelas redes neurais. A raiz quadrada do erro médio quadrático (RMSE), normalmente utilizado para medir a qualidade de MDEs, isoladamente, não foi suficiente para definir, entre os modelos testados, qual apresentava melhor qualidade. Assim, a análise qualitativa identificou que o MDE CARTA obtido com a utilização do módulo TOPOGRID é superior aos demais, pois estes apresentaram artefatos e erros grosseiros que foram facilmente detectados por esta análise. Em seguida, foi realizado o estudo das relações geomorfopedológicas na área estudada. Dentre os atributos do terreno, elevação, declividade, aspecto e plano de curvatura são os que mais se correlacionam com a distribuição dos solos, e a sua utilização facilitou a identificação das diferentes interações que ocorrem na área. A mudança textural abrupta, que está presente nos solos derivados dos migmatitos e milonitos gnaisses e ausente nos desenvolvidos dos granulitos noríticos, é a diferença mais marcante entre os solos originados destas rochas. Variações microclimáticas determinadas pelo aspecto foram importantes na diferenciação dos solos das encostas convexas, independente do tipo de material de origem. Assim, os solos derivados dos granulitos noríticos, que ocorrem nas encostas noroeste e nordeste (vermelhos) e sudoeste (vermelho-amarelos), que são mais quentes e secas, são eutróficos e sem horizonte B latossólico em profundidade (Argissolo típico), enquanto os das encostas voltadas para sudeste (relativamente mais frias e úmidas) são vermelho-amarelados, distróficos e com horizonte B latossólico em profundidade (Argissolo latossólico). Nos solos derivados dos migmatitos e milonitos gnaisses, a única diferença encontrada foi a presença de horizonte Bw abaixo do Bt nas encostas voltadas para sudeste (Argissolo abrúptico latossólico). Finalmente, foi utilizada uma abordagem por redes neurais para a predição de classes de solos. Nesta avaliação, baseada no clássico conceito solo-paisagem, foram testadas diferentes combinações entre as variáveis discriminantes: geologia, elevação, declividade, aspecto, plano de curvatura, índice de umidade (CTI) e três índices derivados de uma imagem do sensor ETM+ do Landsat-7, quanto à capacidade de discriminação das classes de solo. Dentre os conjuntos de variáveis testados os melhores resultados foram obtidos quando os atributos do terreno e os índices do sensor ETM+ do Landsat-7 foram utilizados, tanto para a área dos granulitos noríticos, quanto para a área dos migmatitos e milonitos gnaisses. O classificador baseado nas redes neurais produziu uma maior exatidão do que o classificador clássico da máxima verossimilhança e os mapas produzidos por estes classificadores mostraram uma baixa concordância entre si, assim como com o mapa de solos convencional. A comparação com pontos de controle de campo mostrou que o mapa produzido pela abordagem por redes neurais obteve um desempenho superior (70,83% de concordância) aos mapas produzidos pelo método convencional (52,77%) e pelo maxver (50,69%). O presente estudo mostrou que a utilização dos atributos do terreno e dos dados de sensores remotos em uma abordagem por redes neurais pode contribuir grandemente para tornar o mapeamento de solos no Brasil mais científico, quantitativo e confiável.