Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/9041
Tipo do documento: Tese
Title: Análise de fontes de incerteza na modelagem espacial do solo
Other Titles: Analysis of sources of uncertainty in soil spatial modelling.
Authors: Rosa, Alessandro Samuel
Orientador(a): Anjos, Lúcia Helena Cunha dos
Primeiro coorientador: Vasques, Gustavo de Mattos
Segundo coorientador: Heuvelink, Gerardus Bernardus Maria
Primeiro membro da banca: Ceddia, Marcos Bacis
Segundo membro da banca: Teixeira, Wenceslau Geraldes
Terceiro membro da banca: Oliveira, Ronaldo Pereira de
Quarto membro da banca: Assad, Maria Leonor Ribeiro Casimiro Lopes
Keywords: Pedometrics;Digital Soil Mapping;Soil and Covariate Data;Pedometria;Mapeamento Digital do Solo;Dados de Solo e Covariáveis
Área(s) do CNPq: Agronomia
Idioma: por
Issue Date: 24-Feb-2016
Publisher: Universidade Federal Rural do Rio de Janeiro
Sigla da instituição: UFRRJ
Departamento: Instituto de Agronomia
Programa: Programa de Pós-Graduação em Agronomia - Ciência do Solo
Citation: ROSA, Alessandro Samuel. Análise de fontes de incerteza na modelagem espacial do solo. 2016. 278 f. Tese (Doutorado em Agronomia - Ciência do Solo). Instituto de Agronomia, Universidade Federal Rural do Rio de Janeiro, Seropédica, RJ, 2016.
Abstract: A modelagem espacial do solo moderna usa modelos estatísticos para explorar a relação em-pírica entre as condições ambientais e as propriedades do solo. Esses modelos são uma sim-plificação da realidade, e seu resultado (mapa do solo) estará sempre errado. O que um mapa do solo transmite é o que esperamos que o solo seja, reconhecendo que somos incertos sobre ele. O objetivo dessa tese é avaliar importantes fontes de incerteza na modelagem espacial do solo, com ênfase nos dados do solo e covariáveis. Estudos de caso foram desenvolvidos usando dados de uma bacia hidrográfica do sul do Brasil. A distribuição espacial do solo na área de estudo é variável, sendo determinada pela geologia e geomorfologia (escalas espaciais maiores) e práticas agrícolas (escalas espaciais menores). Quatro propriedades do solo foram explora-das: teor de argila, teor de carbono orgânico, capacidade de troca catiônica efetiva e densidade. Cinco covariáveis, cada um com dois níveis de detalhe espacial, foram utilizadas: mapas areais de classes de solo, modelos digitais de elevação, mapas geológicos, mapas de uso da terra, e imagens de satélite. Esses dados constituem o conjunto de dados de Santa Maria. Dois paco-tes para R foram criados, o primeiro (pedometrics) contendo várias funções para a análise exploratória espacial de dados e calibração de modelos, o segundo (spann) projetado para a optimização de amostras espaciais usando recozimento simulado. Os estudos de caso ilustraram que as covariáveis existentes são apropriadas para calibrar modelos espaciais do solo, e que o uso de covariáveis mais detalhadas resulta em modesto aumento na acurácia de predição que pode não compensar os custos adicionais. Meios mais eficientes de aumentar a acurácia de pre-dição devem ser explorados, como obter mais observações do solo. Para esse fim, deve-se usar meios objetivos para a seleção dos locais de observação a fim de minimizar os efeitos das res-postas psicológicas dos modeladores do solo a fatores conceituais e operacionais sobre o plano de amostragem. Isso porque as dificuldades conceituais e operacionais encontradas no campo determinam mudanças na motivação dos modeladores do solo entre aprendizagem/verificação das relações solo-paisagem e maximização do número de observações e cobertura geográfica. Para estimar a tendência espacial, deve ser suficiente otimizar as amostras espaciais visando so-mente reproduzir a distribuição marginal das covariáveis. Para otimizar configurações amostrais para estimar a tendência espacial e o variograma, e interpolação espacial, pode-se formular um problema de otimização multi-objetivo sólido usando versões robustas de algoritmos de amos-tragem existentes. No geral, aprendemos que uma receita única, universal para a redução da incerteza na modelagem espacial do solo não pode ser formulada. Decidir sobre formas efi-cazes de redução da incerteza requer, em primeiro lugar, que exploremos todo o potencial dos dados existentes usando técnicas de modelagem espacial sólidas.
Abstract: Modern soil spatial modelling is based on statistical models to explore the empirical relation-ship among environmental conditions and soil properties. These models are a simplification of reality, and their outcome (soil map) will always be in error. What a soil map conveys is what we expect the soil to be, acknowledging that we are uncertain about it. The objective of this thesis is to evaluate important sources of uncertainty in spatial soil modelling, with emphasis on soil and covariate data. Case studies were developed using data from a catchment located in Southern Brazil. The soil spatial distribution in the study area is highly variable, being deter-mined by the geology and geomorphology (coarse spatial scales), and by agricultural practices (fine spatial scales). Four topsoil properties were explored: clay content, organic carbon con-tent, effective cation exchange capacity and bulk density. Five covariates, each with two levels of spatial detail, were used: area-class soil maps, digital elevation models, geologic maps, land use maps, and satellite images. These soil and covariate data constitute the Santa Maria dataset. Two packages for R were created in support to the case studies, the first (pedometrics) con-taining various functions for spatial exploratory data analysis and model calibration, the second (spsann) designed for the optimization of spatial samples using simulated annealing. The case studies illustrated that existing covariates are suitable for calibrating soil spatial models, and that using more detailed covariates results in only a modest increase in the prediction ac-curacy that may not outweigh the extra costs. More efficient means of increasing prediction accuracy should be explored, such as obtaining more soil observations. For this end, one should use objective means for selecting observation locations to minimize the effects of psycholog-ical responses of soil modellers to conceptual and operational factors on the sampling design. This because conceptual and operational difficulties encountered in the field determine how the motivation of soil modellers shifts between learning/verifying soil-landscape relationships and maximizing the number of observations and geographic coverage. For the sole purpose of spa-tial trend estimation, it should suffice to optimize spatial samples aiming only at reproducing the marginal distribution of the covariates. For the joint purpose of optimizing sample configu-rations for spatial trend and variogram estimation, and spatial interpolation, one can formulate a sound multi-objective optimization problem using robust versions of existing sampling algo-rithms. Overall, we have learned that a single, universal recipe for reducing our uncertainty in soil spatial modelling cannot be formulated. Deciding upon efficient ways of reducing our uncertainty requires, first, that we explore the full potential of existing soil and covariate data using sound spatial modelling techniques.
URI: https://rima.ufrrj.br/jspui/handle/20.500.14407/9041
Appears in Collections:Doutorado em Agronomia - Ciência do Solo

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
2016 - Alessandro Samuel-Rosa.pdfDocumento principal14.73 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.