PREPRINT authorea.com/94419
Main Data History
Export
Show Index Toggle 0 comments
  •  Quick Edit
  • SoilGrids250m como variável preditora

    O SoilGrids250m é um produto do ISRIC – World Soil Information composto por mapas de diversas propriedades do solo em diversas profundidades, assim como da classificação taxonômica nos dois sistemas taxonômicos internacionais, com resolução espacial de 250 metros. A primeira versão do SoilGrids250m deverá estar disponível gratuitamente em janeiro de 2016.

    A equipe do ISRIC reconhece que os mapas do SoilGrids250m possuem inúmeras limitações e, sobretudo, que não são os mais apropriados para a tomada de decisão em nível regional/nacional – o foco do SoilGrids250m é o nível continental/global. Daí a importância do trabalho das instituições brasileiras para produzirem mapas das diversas propriedades do solo para o território nacional. Qual seria a utilidade do SoilGrids250m nesse caso?

    A sugestão da equipe do ISRIC é que os mapas do SoilGrids250m sejam usados como variáveis preditoras (variáveis explicativas, covariáveis) nos modelos de mapeamento do solo desenvolvidos em nível regional/nacional. Usar os mapas do SoilGrids250m como variáveis preditoras nos permitiria construir modelos de mapeamento do solo mais simples, que não requerem o armazenamento de grande quantidade de dados de variáveis preditoras (imagens de satélite, atributos de terreno, entre outras) para todo o território nacional, o que representaria um enorme ganho em eficiência operacional. Um exemplo recente dessa prática são os mapas produzidos para todo o continente africano (Hengl et al., 2015).

    Eu acredito que os mapas do SoilGrids250m devem explicar a mais da metade da variação espacial dos dados de solo no território brasileiro. Afinal de contas, os mapas do SoilGrids250m são resultado do uso dos dados de cerca de 5.000 perfis de solo brasileiros. Assim, suponhamos que o mapa de carbono do SoilGrids250m explique exatamente 50 % da variação espacial do conteúdo de carbono nos primeiros 5 cm do solo no território brasileiro. Caberia a nós decidir a cerda da melhor estratégia para produzir um mapa que explique mais do que 50 % da variação espacial – no caso do carbono, acredito que a meta deveria estar entre 70 e 80 %.

    Uma das estratégias comumente empregadas para produzir mapas mais acurados consiste em usar variáveis preditoras com resolução espacial mais fina (30 m, por exemplo). Contudo, essa estratégia parece pouco eficiente (Samuel-Rosa et al., 2015). Isso porque o uso de variáveis preditoras com resolução espacial mais fina requer maior capacidade de armazenamento e processamento de dados, assim como maior volume de dados de perfis de solo. Assim, a maneira mais eficiente de produzir mapas com acurácia maior do que aquela dos mapas do SoilGrids250m deve ser a coleta de mais dados de perfis de solo, sobretudo nas regiões onde possuímos pequena densidade amostral.

    Uma maneira eficiente de definir os locais onde novos perfis de solo precisam ser descritos, tanto do ponto de vista pedológico como estatístico e financeiro, é a combinação do conhecimento de nossos experientes pedólogos com técnicas computacionais, como o aquela que desenvolvemos durante meu projeto de doutorado (Samuel-Rosa et al., 2015a; Samuel-Rosa et al., 2015b; Samuel-Rosa et al., 2015c).

    References

    1. Tomislav Hengl, Gerard B. M. Heuvelink, Bas Kempen, Johan G. B. Leenaars, Markus G. Walsh, Keith D. Shepherd, Andrew Sila, Robert A. MacMillan, Jorge Mendes de Jesus, Lulseged Tamene, et al.. Mapping soil properties of Africa at 250 m resolution: random forests significantly improve current predictions. PLOS ONE 10, e0125814 (2015). Link

    2. Alessandro Samuel-Rosa, Gerard B M Heuvelink, Gustavo Mattos Vasques, Lúcia Helena Cunha Anjos. Do more detailed environmental covariates deliver more accurate soil maps?. Geoderma 243-244, 214-227 (2015). Link

    3. Alessandro Samuel-Rosa, Gerard Heuvelink, Gustavo Vasques, Lúcia Anjos. spsann - optimization of sample patterns using spatial simulated annealing. 17, EGU2015-7780 (2015). Link

    4. Alessandro Samuel-Rosa, Gerard B M Heuvelink, Gustavo M Vasques, Lúcia Helena Cunha Anjos. Optimization of sample configurations for variogram estimation. (2015). Link

    5. Alessandro Samuel-Rosa, Dick J Brus, Gustavo M Vasques, Lúcia Helena Cunha Anjos. Optimization of sample configurations for spatial trend estimation. (2015). Link

    [Someone else is editing this]

    You are editing this file