Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1003976
Unidade da Embrapa/Coleção:: Embrapa Solos - Artigo em periódico indexado (ALICE)
Data do documento: 30-Dez-2014
Tipo do Material: Artigo em periódico indexado (ALICE)
Autoria: CALDERANO FILHO, B.
POLIVANOV, H.
CHAGAS, C. da S.
CARVALHO JUNIOR, W. de
BARROSO, E. V.
GUERRA, A. J. T.
CALDERANO, S. B.
Informaçães Adicionais: BRAZ CALDERANO FILHO, CNPS; HELENA POLIVANOV, UFRJ; CESAR DA SILVA CHAGAS, CNPS; WALDIR DE CARVALHO JUNIOR, CNPS; EMÍLIO VELLOSO BARROSO, UFRJ; ANTÔNIO JOSÉ TEIXEIRA GUERRA, UFRJ; SEBASTIAO BARREIROS CALDERANO, CNPS.
Título: Artificial neural networks applied for soil class prediction in mountainous landscape of the Serra do Mar.
Edição: 2014
Fonte/Imprenta: Revista Brasileira de Ciência do Solo, Viçosa, MG, v. 38, n. 6, p. 1681-1693, 2014.
Idioma: en
Palavras-chave: Redes neurais artificiais
Atributos do terreno
Mapeamento digital
Conteúdo: A informação de solo é necessária para o gerenciamento do ambiente agrícola. O objetivo deste trabalho foi aplicar redes neurais artificiais (RNAs) para a predição de classes de solos, utilizando como fonte de dados produtos de sensores remotos orbitais, atributos do terreno derivados de um modelo digital de elevação e informação da geologia local, visando avaliar a utilização dessa abordagem no mapeamento digital de solos, em área com elevado grau de diversidade litológica na Serra do Mar. O simulador de redes neurais utilizado foi o JavaNNS e o algoritmo de aprendizado, o backpropagation. Para a predição das classes de solos, testaram-se diferentes combinações entre as variáveis discriminantes selecionadas: elevação, declividade, aspecto, curvatura, plano de curvatura, perfil de curvatura, índice topográfico, radiação solar, fator topográfico LS, informações da geologia local e índices minerais de argila, óxidos de ferro e vegetação por diferença normalizada (NDVI), derivados de uma imagem do sensor ETM+ do LANDSAT 7. Dos conjuntos testados, os melhores resultados foram obtidos com todas as variáveis discriminantes associadas às informações de geologia, alcançando exatidão global entre 93,2 e 95,6 % e índice Kappa entre 0,924 e 0,951 (conjunto 13). Excluindo a variável perfil de curvatura (conjunto 12), a exatidão global alcançada oscilou entre 93,9 e 95,4 % e o Kappa entre 0,932 e 0,948. Os mapas inferidos pelo classificador por redes neurais evidenciaram coerência e semelhança com o mapa de solos convencional, produzido para área de estudo, apresentando porém, mais detalhes espaciais. Os resultados apresentaram o potencial de utilização de RNAs na predição de classes de solos de áreas montanhosas com diversidade litológica.
Ano de Publicação: 2014
Aparece nas coleções:Artigo em periódico indexado (CNPS)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
V38N6a03RBCSBRAZ.pdf5,35 MBAdobe PDFThumbnail
Visualizar/Abrir

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace