Escolar Documentos
Profissional Documentos
Cultura Documentos
AGRADECIMENTO
“A utilização do
GIS está limitada exclusivamente
pela imaginação humana”
Jack Dangermond
iv
RESUMO
ABSTRACT
Soil maps are sources of important information for land planning and
management, but are expensive to produce. This study proposes testing and comparing
single stage classification methods (multiple multinomial logistic regression and Bayes)
and multiple stage classification methods (CART, J48 and LMT) using geographic
information system and terrain parameters for producing soil maps with both original
and simplified legend. In ArcGis environment terrain parameters and original soil map
were sampled for training algoritms. The results from statistical software Weka were
implemented in ArcGis environment to generate digital soil maps. Error matrices were
genereted for analysis accuracies of the maps.The terrain parameters that best explained
soil distribution were slope, profile and planar curvature, elevation, and topographic
wetness index. The multiple stage classification methods showed small improvements
in overall accuracies and large improvements in the Kappa index. Simplification of the
original legend significantly increased the producer and user accuracies, however
produced small improvements in overall accuracies and Kappa index.
Key words: digital elevation model, terrain parameters, single stage classification,
classification trees.
vi
LISTA DE FIGURAS
Sul................................................................................................................................ 12
geomorfométricas........................................................................................................ 18
Weka ........................................................................................................................... 39
Figura 17 - Mapa de solos original (a) e mapa de solo produzido pela classificação
de Bayes (b)................................................................................................................. 42
vii
Figura 19 - Mapa de solos com legenda simplificada (a) e mapa de solo produzido
Figura 21 - Mapa de solo original (a) e mapa de solo produzido por RLMM (b)...... 49
Figura 22 - Mapa de solos com legenda simplificada (a) e mapa de solo produzido
Figura 24 - Mapa de solo original (a) e mapa produzido pelo CDA CART (b)......... 54
Figura 27 - Mapa de solos original (a) e mapa produzido pelo CDA J48 (b)............ 59
Figura 28 - Mapa de solos com legenda simplificada (a) e mapa de solo produzido
Figura 30 - Mapa de solos original (a) e mapa produzido pelo CDA LMT (b)......... 65
Figura 31 - Mapa de solos com legenda simplificada (a) e mapa de solo produzido
LISTA DE TABELAS
solos............................................................................................................................. 43
original de solos........................................................................................................... 50
Tabela 08 - Matriz de erro do mapa produzido pelo CDA CART e o mapa original
de solos........................................................................................................................ 55
Tabela 10 - Matriz de erro do mapa produzido pelo CDA J48 e o mapa original de
solos............................................................................................................................. 58
Tabela 11 - Matriz de erro do mapa produzido por J48 e o mapa de solos, com
legenda simplificada.................................................................................................... 60
do LMT........................................................................................................................ 63
original de solos........................................................................................................... 64
Tabela 14 - Matriz de erro do mapa produzido por LMT e o mapa de solos, ambos
Tabela 15 - Síntese das AG e índice Kappa dos mapas produzidos com legenda
original e simplificada................................................................................................. 68
Tabela 16 - Síntese das AU e AP dos mapas produzidos por legenda original e por
legenda simplificada.................................................................................................... 70
x
LISTA DE ABREVIATURAS
AG Acurácia Global
AP Acurácia do Produtor
AU Acurácia do Usuário
LM Logistic Model
LV Latossolo Vermelho
M Chernossolo
RY Neossolo Flúvico
SUMÁRIO
Resumo............................................................................................................................ iv
Abstract............................................................................................................................ v
Lista de Figuras............................................................................................................... vi
Lista de Abreviaturas....................................................................................................... x
1. INTRODUÇÃO......................................................................................................... 1
2. HIPÓTESE E OBJETIVOS..................................................................................... 3
2.1. HIPÓTESE.......................................................................................................... 3
2.2. OBJETIVOS........................................................................................................ 3
4. REVISÃO BIBLIOGRÁFICA................................................................................. 9
4.1. SOLOS................................................................................................................. 9
5. METODOLOGIA...................................................................................................... 29
6. RESULTADOS.......................................................................................................... 39
7. CONCLUSÕES.......................................................................................................... 73
8. REFERÊNCIAS......................................................................................................... 75
1
1. INTRODUÇÃO
2. HIPÓTESE E OBJETIVOS
2.1. HIPÓTESE
2.2. OBJETIVOS
Tabela 01 - Área ocupada pelas classes de solo, segundo mapeamento de ABRÃO &
AZOLIN (1970) atualizado e digitalizado por BORTOLON (2008)
.
9
4. REVISÃO BIBLIOGRÁFICA
4.1. SOLOS
S = f(cl, p, o, r, t) (01)
O modelo expressa o solo (S) como uma função das interações entre
os fatores ambientais de formação clima (cl), material parental (p), organismos vivos (o)
e relevo (r) atuando ao longo do tempo (t).
Conforme TEIXEIRA et. al. (2000), existe uma definição simples, a
qual se adapta aos propósitos da Ciência da Terra, que considera solo como produto do
intemperismo, do remanejo e da organização das camadas superiores da crosta terrestre,
sob ação da da atmosfera, da hidrosfera, da biosfera e das trocas de energia envolvidas.
Argissolo
Alissolo
Plintossolo
Planossolo
Gleissolo
dados nas bandas C e X a bordo do ônibus espacial Endeavour (RABUS et al., 2003).
O sistema contava com duas antenas de recepção separadas por um mastro de 60m, o
que possibilitou a aquisição dos dados em uma mesma órbita, garantindo a melhor
qualidade dos mesmos (RABUS et al., 2003).
Os MDEs do SRTM, disponibilizados para a América do Sul,
possuem resolução espacial de 3 arco-segundos (cerca de 90m) e resolução vertical
nominal de 6m (RABUS et al., 2003). Segundo VALERIANO (2008), toda aquisição
dos dados SRTM foi planejada a suprir mapeamentos em escalas entre 1:100.000 e
1:250.000.
F = (− Z1 + Z3 + Z7 − Z9) / 4L 2 (07)
G = ( − Z 4 + Z6 ) / 2 L (08)
H = ( Z2 − Z8) / 2L (09)
Sendo:
20
(BURROUGH, 1998)
Sendo:
(BURROUGH, 1998)
Onde:
pj
log = x i ' β j j = 1,..., J - 1 (21)
pJ
sendo:
25
K
x i ' β j = ∑ β jk x ik (22)
k =0
por:
exp(x i ' β j ) 1
pj = e pJ = (23)
1 + ∑ exp(x i ' β j ) 1 + ∑ exp(x i ' β j )
J −1 J −1
j =1 j =1
Cada nó está representado por uma terna (C(t), F(t) e D(t), onde C(t)
representa as classes do nó t, F(t) as variáveis do nó t, e D(t) a regra de classificação do
nó t). O nível m representa os nós terminais, os quais devem conter apenas uma classe.
O CDA LMT (Logistic Model Trees) (LANDWEHR, et al., 2005) tem
estrutura parecida com a do CART e J48, porém o método LMT possui, em seu nós
terminais, ao invés de classes únicas, vetores de variáveis ( x i ) e de coeficientes ( β j ) de
onde:
K
x i ' β j = ∑ β jk x ik (25)
k =0
exp Fj (x ) exp FJ (x )
pj = e pJ = j = 1,..., J - 1 (26)
exp Fj (x ) + ... + exp FJ (x ) exp Fj (x ) + ... + exp FJ (x )
A. x1 B. x1
>=z1 < z1 < z1
>=z1
x2 x4 x2 x4
< z4
>=z2 <z2 < z4 >=z2 < z2 >=z4
>=z4
j3 j1 j5 F1(x) F1(x) F1(x)
F2(x) F2(x) x3 F2(x)
x3 F3(x) F3(x) F3(x)
F4(x) F4(x) F4(x)
>=z3 < z3
>= z3 < z3
j4 j2 F1(x) F1(x)
F2(x) F2(x)
F3(x) F3(x)
F4(x) F4(x)
5. METODOLOGIA
Vp =
(Vo − µ ) (27)
σ
após, a informação do pixel de uma variável, sobreposto por um ponto amostral, foi
adicionada na tabela de atributos dos pontos na respectiva coluna da variável, resultando
em uma tabela com 11.000 linhas (representando os 11.000 pontos amostrais) e oito
colunas (representando as oito variáveis). Para tanto, foi utilizada a ferramenta Sample,
encontrada na extensão Spatial Analyst em ambiente ArcGis 9.2.
Afim de compatibilizar a tabela de atributos para ser utilizada no
software estatístico WEKA 3.5.8, a tabela foi exportada para arquivo do tipo CSV
(Comma Separated Values, ou valores separados por vírgula).
Com a tabela exportada do ambiente ArcGis 9.2, no formato CSV, e
importada no software WEKA, foi realizado o processo de seleção de variáveis pelo
método de seleção sequencial progressiva, conhecido como SFS (Sequential Forward
Selection) (JOHN et al., 1994). O algoritmo SFS está estruturado para identificar
iterativamente o melhor subconjunto de variáveis que possa ser obtido pela adição de
uma variável por iteração, ao invés de selecionar um conjunto completo de variáveis
numa única iteração.
exp(x i ' β j ) 1
pj = e pJ = (28)
1 + ∑ exp(x i ' β j ) 1 + ∑ exp(x i ' β j )
J −1 J −1
j =1 j =1
34
onde:
chegar aos nós finais, como mostra o exemplo genérico abaixo (Figura 13) com três
classes (A, B e C) e quatro variáveis (x1, x2, x3 e x4):
x1
>=z1 < z1
x2 x4
x3
>= z3 < z3
C B
onde:
x1
< z1
>=z1
x2 x4
< z4
>=z2 < z2 >=z4
>= z3 < z3
FA(x) FA(x)
FB(x) FB(x)
FC(x) FC(x)
FD(x) FD(x)
Através das funções resultantes, para cada classe, nos nós terminais,
é possível estabelecer as probabilidades de ocorrência das classes para cada nó terminal:
exp Fj (x ) exp FJ (x )
pj = e pJ = j = 1,..., J - 1 (41)
exp Fj (x ) + ... + exp FJ (x ) exp Fj (x ) + ... + exp FJ (x )
usuário tem, ao analisar o mapa, que um ponto específico, em uma certa unidade
de mapeamento, está classificado corretamente; e
d) coeficiente Kappa de Cohen (COEHN, 1960), o qual mede o quanto da
concordância observada se aproxima da concordância perfeita, retirando-se o efeito
da concordância ao acaso. O índice kappa pode ser calculado da seguinte forma:
j j
n ∑ x ii − ∑ x i⊕ x ⊕i
K= i =1
j
i =1
(42)
n − ∑ x i ⊕ x i ⊕i
2
i =1
6. RESULTADOS E DISCUSSÃO
MTo
MEo
LVdf
LVdh
LVdt
RY
RRE
42
43
RY
RRE
LV
46
47
Variável MTo / LVdt LVdf / LVdt RY / LVdt RRe / LVdt MEo / LVdt LVdh / LVdt
Elevação -3,1333 -2,2986 -2,3424 -3,3953 -4,1441 -0,6427
IUT -0,7421 -0,7221 -1,4432 -0,3663 -0,0591 0,5596
Declividade -0,0112 -0,5960 -1,2439 0,4467 -0,1023 -1,5396
Curvatura Planar -0,1915 -0,1052 0.2036 -0,2837 -1,3031 -0,4572
Perfil de Curvatura -0,3469 -1,1273 -0,0177 0,0637 -0,5699 -1,0542
Constante 5,2279 7,7603 5,0045 5,6458 -1,4078 1,5715
Tabela 06 - Matriz de erro do mapa produzido por RLMM a partir do mapa original de
solos
MAPA ORIGINAL
Classe MTo MEo LVdf LVdh LVdt RY RRE Total AU (%)
MTo 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
Meo 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
LVdf 6,03 0,04 55,31 0,27 0,08 5,79 9,80 77,31 71,54
MAPA LVdh 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
PRODUZIDO LVdt 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
RY 0,63 0,00 2,35 0,00 0,00 4,18 2,17 9,33 44,83
RLMM RRE 1,31 0,01 3,50 0,00 0,00 1,02 7,52 13,36 56,30
Total 7,96 0,04 61,16 0,27 0,08 11,00 19,49 100,00
AP (%) * * 90,45 * * 38,03 38,59
AG = 67,01% Kappa = 32,81%
* classe não ocorrente no mapa produzido.
Tabela 07 - Matriz de erro do mapa produzido por RLMM a partir do mapa de solos,
ambos com legenda simplificada
MAPA COM LEGENDA SIMPLIFICADA
Classe RY RRE M LV Total AU (%)
RY 4,18 2,17 0,63 2,35 9,33 44,82
MAPA RRE 1,02 7,52 1,31 3,50 13,36 56,30
PRODUZIDO M 0,00 0,00 0,00 0,00 0,00 *
LV 5,79 9,80 6,07 55,65 77,31 71,99
RLMM Total 11,00 19,49 8,01 61,50 100,00
AP (%) 38,03 38,59 * 90,49
AG = 67,36% Kappa = 33,14%
* classe não ocorrente no mapa estimado.
54
55
Tabela 08 - Matriz de erro do mapa produzido pelo CDA CART e o mapa original de
solos
MAPA ORIGINAL
Classe MTo MEo LVdf LVdh LVdt RY RRE Total AU (%)
MTo 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
MEo 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
LVdf 5,55 0,03 52,96 0,27 0,08 3,66 8,41 70,95 74,64
MAPA LVdh 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
PRODUZIDO LVdt 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
RY 0,82 0,00 3,59 0,00 0,00 5,73 1,74 11,89 48,18
CART RRE 1,60 0,01 4,60 0,00 0,00 1,62 9,33 17,16 54,38
Total 7,96 0,04 61,16 0,27 0,08 11,00 19,49 100,00
AP (%) * * 86,60 * * 52,06 47,90
AG = 68,02% Kappa = 38,45%
* classe não ocorrente no mapa estimado.
56
57
Tabela 09 - Matriz de erro do mapa produzido pelo CDA CART e o mapa de solos,
ambos com legenda simplificada
Tabela 10 - Matriz de erro do mapa produzido pelo CDA J48 e o mapa original de solos
MAPA ORIGINAL
Classe MTo MEo LVdf LVdh LVdt RY RRE Total AU (%)
MTo 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
MEo 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
LVdf 5,32 0,02 51,36 0,27 0,08 3,32 7,84 68,20 75,30
MAPA LVdh 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
PRODUZIDO LVdt 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
RY 1,00 0,01 4,29 0,00 0,00 6,21 1,90 13,42 46,30
J48 RRE 1,64 0,02 5,50 0,00 0,00 1,47 9,74 18,38 53,01
Total 7,96 0,04 61,16 0,27 0,08 11,00 19,49 100,00
AP (%) * * 83,98 * * 56,49 49,99
AG = 67,31% Kappa = 38,60%
* classe não ocorrente no mapa estimado.
59
60
Tabela 11 - Matriz de erro do mapa produzido por J48 e o mapa de solos, com legenda
simplificada
61
62
Tabela 13 - Matriz de erro do mapa produzido pelo classificador LMT e o mapa original
de solos
MAPA ORIGINAL
Classe MTo MEo LVdf LVdh LVdt RY RRE Total AU (%)
MTo 0,01 0,00 0,04 0,00 0,00 0,00 0,04 0,10 15,73
MEo 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
LVdf 5,88 0,02 54,19 0,26 0,08 4,33 9,04 73,82 73,42
MAPA LVdh 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
PRODUZIDO LVdt 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 *
RY 0,78 0,00 3,25 0,00 0,00 5,50 1,74 11,28 48,79
LMT RRE 1,28 0,01 3,67 0,00 0,00 1,16 8,67 14,81 58,56
Total 7,96 0,04 61,16 0,27 0,08 11,00 19,49 100,00
AP (%) 0,19 * 88,61 * * 50,01 44,51
AG = 68,38% Kappa = 37,66%
* classe não ocorrente no mapa estimado.
Figura 30 - Mapa de solos original (a) e mapa produzido pelo CDA LMT (b)
65
66
Tabela 14 - Matriz de erro do mapa produzido por LMT e o mapa de solos, ambos com
legenda simplificada
MAPA COM LEGENDA SIMPLIFICADA
Classe RY RRE M LV Total AU (%)
RY 5,50 1,74 0,79 3,25 11,28 48,77
MAPA RRE 1,16 8,67 1,30 3,68 14,81 58,56
PRODUZIDO M 0,00 0,04 0,01 0,04 0,10 15,56
LV 4,33 9,04 5,91 54,53 73,82 73,88
LMT Total 11,00 19,49 8,01 61,50 100,00
AP(%) 50,01 44,51 0,19 88,66
AG = 68,72% Kappa = 38,02%
* classe não ocorrente no mapa estimado.
67
68
Tabela 15 - Síntese das AG e índice Kappa dos mapas produzidos com legenda original
e simplificada
ACURÁCIAS
AG (%) Kappa (%)
Média
MÉTODOS Original Simplificada Média AG Original Simplificada
Kappa
Logística 67,01 67,36 32,81 33,14
CEU 66,96 34,49
Bayes 66,56 66,89 35,85 36,17
CART 68,02 68,37 38,45 38,82
CDA J48 67,31 67,66 68,08 38,60 38,97 38,42
LMT 68,38 68,72 37,66 38,02
nas AG dos CDA em relação aos CEU, com aumento de pouco mais de 1%, ao passo
que se observou significativa melhora nos índices Kappa dos CDA, que teve uma média
geral de 38,42% em relação aos CEU, com média geral de 34,49%.
Destacam-se as maiores AG obtidas pelo método LMT com 68,38%
no mapa estimado com legenda original e 68,72% no mapa com legenda simplificada,
porém esse método apresentou os menores índices Kappa entre os CDA, com 37,66%
no mapa com legenda original e 38,02% no mapa com legenda simplificada. Outro
destaque é o método J48 que apresentou os melhores Kappa com 38,60% no mapa com
legenda original e 38,97% no mapa com legenda simplificada, porém apresentou as
menores AG entre os CDA, com 67,31% no mapa com legenda original e 67,66% no
mapa com legenda simplificada; já o método CART foi o que apresentou, entre os
CDA, os valores intermediários de AG, com 68,02% no mapa com legenda original e
68,37% no mapa com legenda simplificada, e também os valores intermediários entre os
índices Kappa com 38,45% no mapa com legenda original e 38,82% no mapa com
legenda simplificada.
Os métodos de CEU apresentaram as acurácias mais baixas. O
destaque é o método logístico que apresentou índices Kappa muito abaixo dos outros
métodos com apenas 32,81% no mapa com legenda original e 33,14% no mapa com
legenda simplificada, porém teve as AG sensivelmente melhores que as obtidas pelo
método de Bayes com 67,01% no mapa com legenda original e 67,36 no mapa com
legenda simplificada ao passo que Bayes teve suas AG de 66,56% e 66,89% nos mapas
com legenda original e simplificada respectivamente; o método de Bayes teve Kappa
com valores mais próximos aos dos CDA com 35,85% no mapa com legenda original e
36,17% no mapa com legenda simplificada.
A Tabela 16 apresenta a comparação entre as AU e AP dos diferentes
classificadores para cada classe dos mapas produzidos com legenda original e os mapas
produzidos com legenda simplificada.
70
Tabela 16 - Síntese das AU e AP dos mapas produzidos por legenda original e por
legenda simplificada
MAPA COM LEGENDA ORIGINAL
MÉTODOS /
Classe Área (Km²)
ACURÁCIAS
RLMM Bayes CART J48 LMT
AU (%) * * * * 15,73
MTo 80,97
AP (%) * * * * 0,19
AU (%) * * * * *
MEo 0,44
AP (%) * * * * *
AU (%) 71,54 74,04 74,64 75,30 73,42
LVdf 622,84
AP (%) 90,45 86,19 86,60 83,98 88,61
AU (%) * * * * *
LVdh 2,76
AP (%) * * * * *
AU (%) * * * * *
LVdt 0,82
AP (%) * * * * *
AU (%) 44,83 41,22 48,18 46,30 48,79
RY 111,93
AP (%) 38,03 56,43 52,06 56,49 50,01
AU (%) 56,30 55,58 54,38 53,01 58,56
RRe 198,04
AP (%) 38,59 39,22 47,90 49,99 44,51
AUm (%) 24,67 24,41 25,31 24,94 28,07
Médias
APm (%) 23,87 25,98 26,65 27,21 26,19
MAPA COM LEGENDA SIMPLIFICADA
MÉTODOS /
Classe Área (Km²)
ACURÁCIAS
RLMM Bayes CART J48 LMT
90,49% para a classe LV, no mapeamento com legenda simplificada. As classes LVdf
e LV tiveram as maiores AP e AU em todos os métodos.
O estudo de HENGL & ROSSITER (2003) apresentou resultado de
45,3% de acurácia global e 42,6% no índice Kappa para mapeamento digital de solos no
Nordeste da Croácia com a área de estudo compreendendo 1.062km². O estudo de
FIGUEIREDO (2006), comparou o resultado do mapeamento digital de solos em três
diferentes regiões do Rio Grande do Sul (Brasil). A primeira área, no município de
Ibirubá, o autor obteve 61,4% de acurácia global e 38,3% de índice Kappa, porém a área
de estudo correspondia a 720km². Para a segunda área, correspondente à bacia
hidrográfica do Arroio Portão, os resultados obtidos ficaram em 67,7% na acurácia
global e 50,3% no índice Kappa, porém a área de estudo correspondia a apenas 224
km². A terceira área, correspondendo parte do Município de Viamão, o autor obteve
40,8% de acurácia global e 31,8% no índice Kappa. A área foi correspondente a
1.000km².
O estudo de TEN CATEN et al (2009) chegou a apresentar 74,30% de
acurácia global e 58,20% de índice Kappa no mapa predito, com utilização de análise de
componentes principais. A área de estudo compreendeu 874km². Já o estudo de
SARMENTO et al (2009) chegou apresentou 71,29% de acurácia global e 58,13% de
índice Kappa com utilização de CDA, porém a área compreendida foi de apenas 6,735
km².
É possível observar, na literatura citada e no presente trabalho, a relação do
valor das acurácias com a área mapeada. Em geral, observa-se que quanto maior a área,
menor o poder de discriminação do modelo, resultando em ácurácias mais baixas. Isso
pode ser explicado pela confusão e mistura dos valores das variáveis geomorfométricas
para cada classe. Quanto maior a área, a tendência é ter maior mistura de valores para
uma mesma classe. O mesmo ocorre quanto existe um grande número de variáveis. Em
relação ao número de variáveis, o estudo de TEN CATEN (2009), o qual realizou
mapeamento digital de solos a partir de componentes principais, cujo objetivo é reduzir
as variáveis sem grande perda de informação, apresentou maiores acurácias.
Um dos fatores que podem ter contribuído para a redução das
acurácias foi a utilização do MDE do SRTM pois toda aquisição dos dados SRTM foi
planejada a suprir mapeamentos em escalas entre 1:100.000 e 1:250.000
(VALERIANO, 2008) e o mapa de solos, utilizado como referência, possui escala de
72
7. CONCLUSÕES
8. REFERÊNCIAS
AGRESTI, A. Categorical data analysis. New York: John Wiley & Sons, 1990. 558p.
BAILEY, N.; CLEMENTS, T.; LEE, J. T.; THOMPSON, S. Modelling soil series data
to facilitate targeted habitat restoration: a polytomous logistic regression approach.
Journal of Environmental Management, v. 67, n. 4, p. 395-407, 2003.
BEHRENS, T.; FÖRSTER, H.; SCHOLTEN, T.; STEINRÜCKEN, U.; SPIES, E. D.;
GOLDSCHMIDT, M. Digital soil mapping using artificial neural networks. Journal of
Plant Nutrition and Soil Sciense, v. 168, n.1, p. 21-33, 2005.
CAMPLING, P.; GOBIN, A.; FEYEN, J. Logistic modeling to spatially predict the
probality of soil drainage classes. Soil Science Society of America Journal, v.66, p.
1390-1401, 2002.
GERRARD, A. J. Soils and landforms. 1.ed. London: George Allen & Unwin, 1981.
219p.
JOHN, G. H.; KOHAVI, R.; PFLEGER, K. Irrelevant features and the subset selection
problem. In COHEN W. W. & HIRSH, H. Machine Learning: Proceedings of the
Eleventh International Conference. San Francisco: Morgan Kaufmann, 1994. p.121-
129.
LANDWEHR, N.; HALL, M.; FRANK, E. Logistic Model Trees. Machine Learning.
95 (1-2): 161-205. 2005.
LEPSCH, I.F. & BUOL, S.W. Investigations in an Oxisol-Ultisol toposequence in
S.Paulo State, Brazil. Soil Sei. Soe. Am. Proc., Madison, 38:491-496, 1974.
MILLER, F. P. Soil Science: A scope broader than its identity. Soil Sci. Soc. Am. J.,
57:299 e 564, 1993
MORAN, C. J. & BUI, E. Spatial data mining for enhanced soil map modelling.
International Journal of Geographical Information Science, London, v. 16, p. 533–
549, 2002.
79
RABUS, B.; EINEDER, M.; ROTH, A.; BAMLER, R. The shuttle radar topography
mission – a new class of digital elevation models acquired by spaceborn radar. ISPRS
Journal of Photogrammetry and Remote Sensing, v. 57, p. 241-262, 2003. doi:
10.1016/S0924-2716(02)00124-7
RAMANN, E.: Der Boden und sein geographischen Wert, Mitteilungen der
Geographischen Gesellschaft Milnchen, 13 : 1-14, 1919.
TEN CATEN, A.; DALMOLIN, R. S. D.; RUIZ, L. F. C.; SEBEM, E.; PEREIRA, R. S.
P. Mapeamento digital de solos através da aplicação de componentes principais em
modelos logísticos. In: Simpósio Brasileiro de Sensoriamento Remoto, Natal, RN, 2009.
Anais XIV. INPE:, 2009. p. 7677-7684.