PEDOMETRIA APOIADA EM ATRIBUTOS TOPOGRÁFICOS, ÍNDICES ESPECTRAIS E GEOLOGIA COM USO DE REDES NEURAIS ARTIFICIAIS

Resumen

Os levantamentos de solos e os mapas resultantes são produzidos, em sua grande maioria, por métodos convencionais. A delimitação das unidades de mapeamento dos solos, nestes mapas, depende grandemente da subjetividade e experiência do analista. Visando reduzir a subjetividade e integrar dados de diferentes origens para auxiliar os procedimentos básicos de delimitação de unidades de mapeamento preliminares de solos, foi utilizada a técnica de redes neurais artificiais (RNA). Foram integrados atributos do terreno, geologia e índices espectrais através de uma rede perceptron multicamadas com alimentação adiante e algoritmo de aprendizado de retropropagação de erro otimizado por resilient. Na RNA, foram utilizadas 12 variáveis ambientais combinadas em diferentes conjuntos. As variáveis testadas foram: geologia, declividade, orientação das vertentes, elevação, perfil e plano de curvatura, radiação solar anual incidente, índice de umidade, de capacidade de transporte de sedimentos, de corrente de máximo fluxo, NDVI e iron oxide. As melhores classificações executadas pela rede, quando comparadas à área de verificação, resultaram em coeficientes de correlação acima de 0,8. No entanto o delineamento das unidades de solos com a utilização de todas as variáveis, ou somente com atributos secundários do relevo, geologia e índices espectrais foram semelhantes quando comparadas a 95% de probabilidade. Os resultados alcançados permitem afirmar que, a RNA possibilita a integração de diferentes variáveis para o processo de delineamento de unidades preliminares em mapas de solos. Nos mapas obtidos pela RNA, referentes a combinações dos diferentes conjuntos testados, os maiores valores de índice kappa e exatidão global apresentaram também, nas unidades de mapeamento, maiores índices de exatidão do ponto de vista do usuário. Todos os mapas resultantes da classificação por RNA apresentaram mais detalhes espaciais do que o mapa de solos convencional e, em todos os conjuntos testados, a supressão da variável perfil da curvatura ou da variável secundária corrente de máximo fluxo, derivada do perfil da curvatura, melhorou o resultado da classificação.