Classificação e mapeamento da textura superficial do solo a partir de dados de sensoriamento remoto e análise discriminante, na região de Volta Grande do Rio Uruguai – Brasil

Sandra Cristina Deodoro, Marcos Antônio Timbó Elmiro, Ricardo Alexandrino Garcia, Plinio da Costa Temba, William Zanete Bertolini

Resumo


Medir e avaliar componentes e propriedades de solo são geralmente procedimentos que envolvem custo e consumo de tempo. A escassez de amostragem de dados em campo é geralmente compensada por resultados de predição e modelagem cujos procedimentos são conhecidos como mapeamento preditivo de solo. O objetivo deste trabalho é obter um mapa da textura superficial do solo na região de Volta Grande do Rio Uruguai (SC/RS-Brasil) por meio de amostragem granulométrica (44 pontos), reflectância espectral do solo (141 pontos) no sensor MSI (Sentinel-2), modelagem estatística preditiva (Análise Discriminante) e interpolação (IDW). A metodologia aplicada baseia-se na obtenção de funções discriminantes para aplicação de um classificador estatístico que, a partir dos dados espectrais de solo, seja capaz de discriminar a textura em areia, silte e argila. Os resultados da análise discriminante mostraram que (i) a textura do solo foi classificada no modelo a uma acurácia de 71% conforme Índice de Kappa; (ii) as frações silte e areia mostraram-se próximas tanto em termos de assinatura espectral como em teores (g/kg) obtidos em laboratório; (iii) houve predomínio de argila corroborando a característica litológica de área basáltica. Por permitir a verificação de quais variáveis independentes (reflectância) mais contribuem para a resposta da variável dependente (granulometria), este método pode ser útil para indicar as faixas espectrais que podem ser usadas na aplicação de uma técnica de regressão para predição granulométrica.


Classification and Mapping of the surface-based soil texture through Remote Sensing Data and Discriminant Analysis in the region of Volta Grande do Rio Uruguai – Brazil

A B S T R A C T

Measuring and evaluating soil components and properties are often costly and time-consuming procedures. Prediction and modelling, whose procedures are known as predictive soil mapping, are useful for solving the lack of field data sampling. The objective of this work is to map the surface-based soil texture in the region of Volta Grande do Rio Uruguay (SC / RS-Brazil) by using soil particle-size sampling (44 points) or soil granulometry, soil spectral reflectance (141 points) in the MSI sensor (Sentinel-2), predictive statistical modelling (Discriminant Analysis) and IDW interpolation. The methodology aims to find discriminant functions to obtain a statistical classifier that, based on soil spectral data, is able to discriminate the soil texture (surface-based) in terms of sand, silt and clay. The results showed that (i) the statistical model classified the soil texture at an accuracy of 71% according to the Kappa Index; (ii) silt and sand were similar both in terms of spectral signature and of content (g/kg); (iii) there was a predominance of clay corroborating the lithological characteristic of the basaltic area. Discriminant Analysis provides a basis to identify which independent variables (reflectance) contribute most to the response of the dependent variable (soil texture). Thus, the studied method can be useful to indicate the spectral ranges in regression models for predicting soil texture at locations not sampled.

Keywords: multivariate statistics, spectral, soil particle size, Sentinel-2, interpolation.



Palavras-chave


estatística, espectral, granulometria.

Texto completo:

PDF

Referências


Almeida, J. A. de.; Corrêa, J.; Schmitt, C. Clay mineralogy of basaltic hillsides soils in the western State of Santa Catarina. Revista Brasileira de Ciência do Solo. n.42. 2018.

Bationo, A., Kihara, J.; Vanlauwe, B.; Waswa, B.; Kimetu, J. Soil organic carbon dynamics, functions and management in West African agroecosystems. Agricultural Systems. 94:13–25. 2007. doi:10.1016/j.agsy.2005.08.011

Bousbih, S.; Zribi. M.; Pelletier, C.; Gorrab, A.; Lili-Chabaani, Z.; Baghdadi, N.; Aissa, N.B.; Mougenot, B. Soil Texture Estimation Using Radar and Optical Data from Sentinel-1 and Sentinel-2. Remote Sensing. 2019, 11(13), 1520; https://doi.org/10.3390/rs11131520

Brady, N. C; Weil, R. R. The nature and properties of soil. London: Pearson Prentice Hall; 2007.

Burrough, P.A., Van Gaans, P.F.M., Hootsmans, R. Continuous classification in soil survey: spatial correlation, confusion and boundaries. Geoderma 77, 115–135.1997.

Câmara, G.; Medeiros, J. S. Princípios básicos em geoprocessamento. In: Assad, E. D.; Sano, E. E. (Ed.). Sistemas de informações geográficas: aplicações na agricultura. 2. ed. Revisada e ampliada. Brasília, DF: Embrapa-SPI: Embrapa-CPAC, pp.3-11, 1998.

Cezar, E.; Nanni, M. R.; Chicati, M. L.; Junior, I. G. S.; Costa, A.C.S. Avaliação e quantificação das frações silte, areia e argila por meio de suas respectivas reflectâncias. Revista Brasileira de Ciência do Solo, Viçosa, v. 36, n. 4, p. 1157-1166. 2012. Disponível em http://dx.doi.org/10.1590/S0100-06832012000400010. Acesso em 14 maio 2020.

Congalton, R. G.; Green, K. Assessing the Accuracy of Remotely Sensed Data.Principles and Practices. New York: CRC Press. Taylor & Francis Group. 2nd. edition. 210p.

Demattê, J. A. M.; Alves, M. R.; Terra, F. S.; Bosquilia, R. W. D.; Fongaro, C. T.; BARROS, P. P. S. Is It Possible to Classify Topsoil Texture Using a Sensor Located 800 km Away from the Surface? Revista Brasileira de Ciência do Solo. 2016;40:e0150335. DOI: 10.1590/18069657rbcs20150335.

Dotto, A. C., Demattê, J. A. M., Viscarra Rossel, R. A., Rizzo, R.: Soil environment grouping system based on spectral, climate, and terrain data: a quantitative branch of soil series. SOIL, 6, 163–177, https://doi.org/10.5194/soil-6-163-2020, 2020.

ESA. European Space Agency. Sentinel-2 User Handbook. ESA Standart Document. Issue 1, Rev 2. July-2015. 64p.

Florenzano, T. G. (org.) Geomorfologia: conceitos e tecnologias atuais. São Paulo: Oficina de Textos, 2008.

Fongaro, C. T. Mapeamento granulométrico do solo via imagens de satélite e atributos de relevo. 106f. Dissertação (Mestrado em Solos e Nutrição de Plantas) – Escola Superior de Agricultura Luiz de Queiroz. Universidade de São Paulo, Piracicaba, 2015.

Fongaro, C, T. et al.. Improvement of Clay and Sand Quantification Based on a Novel Approach with a Focus on Multispectral Satellite Images. Remote Sensing. 2018, 10, 1555; doi:10.3390/rs10101555.

Gallo, B. C. Imagens multitemporais do Landsat TM como estratégia no apoio ao levantamento pedológico. Dissertação (Mestrado em Ciências) - Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, 2015. 78 p.

Gholizadeha, A; Žižala, D.; Aberioon, M.; C, Borůvka, L. Soil organic carbon and texture retrieving and mapping using proximal, airborne and Sentinel-2 spectral imaging. Remote Sensing of Environment 218 (2018) 89–103. Disponível em: Acesso em: 20 agosto 2019.

Hair JR, J. F. et al. Análise multivariada de dados. Tradução Adonai SchlupSant’ Ana. Porto Alegre: Bookman, 2009. 6a ed. 688p.

Hassink, J. The capacity of soils to preserve organic C and N by their association with clay and silt particles. Plant Soil 191:77–87. 1997. doi:10.1023/A:1004213929699

Jakob, A. A. E.; Young, A. F. O uso de métodos de interpolação espacial de dados nas analyses sociodemográficas. XV Encontro Nacional de Estudos Populacionais, ABEP, Caxambu-MG, Brasil, 18 a 22 de setembro de 2006

Jensen, J. R. Introductory Digital Image Processing: a remoting sensing perspective. 3rd ed. Universidade da Califórnia: Prentice Hall. 2005. 526 p

Khattree, R. e Naik, D.N. Multivariate data reduction and discrimination with SAS software. Cary, NC, USA: SAS Institute Inc., 2000. 558 p.

Kovačević, M.; Bajat, B.; Gajić, B. Soil type classification and estimation of soil properties using support vector machines. Geoderma 154 (2010) 340–347

Kravchenko, A.N.; Bollero, G.A.; Omonode, R.A.; Bullock, D.G. Quantitative mapping of soil drainage classes using topographical data and soil electrical conductivity. Soil Science Society of America Journal, v.66, p.235-243, 2002.

Mayr, T.R., Palmer, R.C.; Cooke, H. J. Digital soil mapping using legacy data in the Eden valley, UK. 2008. In: Ahartemink, A.E.; McBratney, A. B.; Mendonça Santos, M. D. L. (editors). Digital soil mapping with limited data. Springer, London. p. 291–301.

McBratney, A.B., Odeh, I.O.A.; Bishop, T. F. A.; Dunbar, M. S.; Shatar, T.M. An overview of pedometric techniques for use in soil survey. Geoderma 97:293–327.2000. doi:10.1016/S0016-7061(00)00043-4

McBratney, A.B.; Mendonça Santos, M.L.; MINASNY, B. On digital soil mapping. Geoderma, v.117, p.3-52, 2003.

Meneses, P. R.; Almeida, T.; Baptista, G. M. M. (orgs.) Reflectância dos materiais terrestres – análise e interpretação. Oficina de textos, Ed. 1, 2019. 336p.

Nanni, M.R., Demattê, J.A.M., Fiorio, P.R. Análise discriminante dos solos por meio da resposta espectral no nível terrestre. Pesquisa Agropecuária Brasileira, Brasília, v.39, n.10, p.995-1006, out. 2004.

Odeh, I.O.A., McBratney, A.B. Using AVHRR images for spatial prediction of clay content in the lower Namoi valley of eastern Australia. Geoderma 97:237–254. 2000. doi:10.1016/S0016-7061(00)00041-0

Poppiel, R. R. Mapeamento pedológico por meio de série histórica Landsat-5 TM e biblioteca espectral na bacia do Rio Jardim (DF). 2016. 158 f. Dissertação (Mestrado em Agronomia). Universidade de Brasília, Brasília-DF, 2016.

Ruiz, Hugo A. Incremento da exatidão da análise granulométrica do solo por meio da coleta da suspensão (silte + argila). Revista Brasileira de Ciência do Solo. Nota técnica. 29. p.297-300. 2005.

Scull, P., Franklin, J., Chadwick, O.A., McArthur, D. Predictive soil mapping: a review. Progress in Physical Geography 27 (2), 171–197. 2003

Santos, M. C. P. Geoarqueologia da área da Volta Grande do Alto Rio Uruguai, Sul do Brasil: morfoestratigrafia, geocronologia e sequência arqueológica da Foz do rio Chapecó. 2018. 444 f. Tese (Doutorado em Arqueologia). Programa Erasmus Mundus de Doutorado Internacional em Quaternário e Pré-História (IDQP). Università Degli Studi de Ferrara, Itália, 2018.

Silva, E.B; Giasson, E.; Dotto, A.C; Ten Caten, A.; Demattê, J.A.M.; Bacic, I.L.Z.; Veiga, M. A regional legacy soil dataset for prediction of sand and clay content with VIS-NIR-SWIR in Southern Brazil. Revista Brasileira de Ciência do Solo. 2019;43:e0180174. Disponível em https://doi.org/10.1590/18069657rbcs20180174 . Acesso em 12 setembro 2019

Teixeira, P.C.; Donagemma, G.K.; Fontana, A.; Teixeira, W.G. (eds.). Manual de Métodos de Análise de Solo. EMBRAPA. 3ª ed. revista e ampliada. Brasília, 2017. 577p. Disponível em https://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1085209 Acesso 03 agosto. 2020.

Tobler, W. R. 1970. A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography. Supplement: Proceedings, International Geographical Union. Commission on Quantitative Methods, 46: 234–240. DOI:10.2307/143141.




DOI: https://doi.org/10.26848/rbgf.v14.1.p340-356

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

      

Revista Brasileira de Geografia Física - ISSN: 1984-2295

Creative Commons License
Esta obra está licenciada com uma Licença Creative Commons Attribution-NonCommercial 4.0 International License