03931nam a2200277 a 450000100080000000500110000800800410001910000190006024501770007926000160025630000220027250002060029452028420050065000290334265000190337165000240339065000280341465000140344265000250345665000190348165300310350065300250353165300320355665300320358865300330362020945862023-12-04       2017    bl uuuu  m   00u1 u    #d1 aDART, R. de O.  aSensoriamento remoto aplicado à predição de classes de solos em floresta tropical secabcomparação entre tipos, fontes e épocas de aquisição.h[electronic resource]  a2017.c2017  a64 f.cil. color.  aDissertação (Mestrado) - Instituto de Geociências, Universidade Federal do Rio de Janeiro, Rio de Janeiro. Orientador: Nelson Ferreira Fernandes, UFRJ; Coorientador: Gustavo de Mattos Vasques, CNPS.  aModelos Digitais de Elevação (MDE) e imagens de satélite são frequentemente utilizados como covariáveis ambientais para predição de classes de solos em procedimentos de Mapeamento Digital de Solos (MDS). Para avaliar a utilização de imagens de sensoriamento remoto como covariáveis de entrada para a predição de classes de solo, aplicou-se o algoritmo de árvore de classificação (AC) para predizer classes de solo ao nível de grande grupo, de acordo Sistema Brasileiro de Classificação de Solos, em uma área de floresta tropical seca (FTS) com 102 km2 no norte do Estado de Minas Gerais, Brasil. Foram elaborados 17 modelos de AC, comparando três tipos de variáveis relacionadas aos fatores de formação do solo, quais sejam: (i) covariáveis topográficas (topo) obtidas a partir de três fontes de MDE (SRTM-90m, SRTM-30m e Ikonos); (ii) covariáveis obtidas a partir de imagens de satélite multiespectrais (sat) de duas fontes (Landsat 8 e RapidEye) em dois períodos (seco e úmido), representando o fator de formação "organismos"; e (iii) covariáveis de material de origem (parent) obtidas de imagens aéreas gamarradiométricas e magnetométricas. Comparou-se modelos usando covariáveis preditoras específicas de cada fator de formação, bem como, três resoluções espaciais (10-m, 30-m e 90-m) nas covariáveis topo e sat e apenas a resolução espacial de 90-m para as covariáveis parent para fins de predição de classes de solo. Para treinar e validar os modelos, utilizou-se, respectivamente, 296 e 128 observações de solos classificadas em nível de grande grupo, compondo 13 classes. O procedimento de AC apresentou bons resultados para classificar solos em FTS quando comparado a pesquisas similares, com acurácia global (AG) de até 91,6% na etapa de treinamento e até 53,1% na etapa de validação. Os resultados mostram que as covariáveis ambientais gratuitas com menor resolução espacial (90-m) podem produzir boas ou até melhores predições de classes do que as covariáveis ambientais pagas e com maior resolução espacial (10-m). Dentre os três tipos de covariáveis ambientais testadas para estimar classes de solos, os modelos com covariáveis topo apresentaram melhor desempenho, seguido por covariáveis parent e pelas covariáveis sat. Os modelos topo e parent conseguiram estimar todas as 13 classes de solos. Entre os modelos sat, os que utilizaram imagens no período seco obtiveram resultados mais acurados do que os com imagens no período úmido para estimar classes de solos em FTS. Em conclusão, identificou-se, dentre as covariáveis ambientais avaliadas, quais fatores de formação do solo e quais fontes, resoluções espaciais e períodos de aquisição de imagens de sensores remotos são mais adequados para predizer classes de solos em FTS no Brasil.  aDigital elevation models  aRemote sensing  aSoil classification  aClassificação do Solo  aPedologia  aSensoriamento Remoto  aSolo Florestal  aÁrvore de classificação  aImagens de satélite  aImagens gamarradiométricas  aMapeamento digital de solos  aModelo digital de elevação