SciELO - Scientific Electronic Library Online

 
vol.39 issue10Effect of inoculation with Azospirillum and Herbaspirillum on production of indolic compounds and growth of wheat and rice seedlingsEffect of the liming on the nutrition and the development of the guava root system author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

Share


Pesquisa Agropecuária Brasileira

Print version ISSN 0100-204XOn-line version ISSN 1678-3921

Pesq. agropec. bras. vol.39 no.10 Brasília Oct. 2004

http://dx.doi.org/10.1590/S0100-204X2004001000007 

SOLOS

 

Análise discriminante dos solos por meio da resposta espectral no nível terrestre

 

Soil discrimination analysis by spectral response in the ground level

 

 

Marcos Rafael NanniI; José Alexandre M. DemattêII; Peterson Ricardo FiorioIII

IUniversidade Estadual de Maringá, Dep. de Agronomia, Av. Colombo, 5790, CEP 87020-900 Maringá, PR. E-mail: mrnanni@uem.br
IIEscola Superior de Agricultura Luiz de Queiroz, Dep. de Solos e Nutrição de Plantas, Caixa Postal 09, CEP 13418-900 Piracicaba, SP. E-mail: jamdemat@ciagri.usp.br
IIIUniversidade Estadual do Oeste do Paraná, Centro de Ciências Agrárias, Caixa Postal 91, CEP 85960-000 Marechal Cândido Rondon, PR. E-mail: fiorio@unioeste.br

 

 


RESUMO

O objetivo deste trabalho foi desenvolver e avaliar um método para discriminação das classes de solos a partir de suas respostas espectrais, utilizando-se um sensor em laboratório. Os dados espectrais foram utilizados no desenvolvimento de modelos estatísticos para discriminar as classes de solos de uma área no sudoeste do Estado de São Paulo. Equações discriminantes foram desenvolvidas para as 18 classes. A resposta espectral foi obtida em amostras da porção superficial e da porção subsuperficial dos solos da área de estudo, num total de 370 amostras. As amostras foram coletadas em 185 ha, com uma tradagem por ha. Os resultados demonstraram que as classes de solos podem ser individualizadas e distinguidas pela análise discriminante. A análise registrou índices de acerto acima de 80% de determinação da classe de solo avaliada. O acerto global foi de 90,71% quando se utilizaram todas as classes para a geração dos modelos, e 93,44% quando se utilizaram as dez classes com maior número de indivíduos. O teste estatístico simulado mostrou-se eficiente na análise discriminante, com taxa média de acerto acima de 91%, com erro global de 8,8%. A análise demonstrou redução na qualidade do modelo quando aplicado para um subconjunto de 20% das amostras, com erro global de 33,9%. O método auxilia na discriminação de classes de solos pela sua reflectância, devido às interações físicas com a energia eletromagnética.

Termos para indexação: funções lineares, reflectância dos solos, espectrorradiometria, levantamento de solos, classificação de solos.


ABSTRACT

The objective of this study was to develop and test a discrimination method for soil classes by their spectral response (SR), using a laboratory sensor. Spectral data were used to develop statistical model for discriminating soil classes in an area at the southwest of São Paulo State, Brazil. Discriminant equations were developed for 18 soil classes. The spectral data were obtained in superficial and subsuperficial soil samples in the study area, with a total of 370 samples. The samples were collected in 185 ha, with one borehole per ha. The results showed that soil classes can be separated and delimitated by discriminant analysis. The analysis presented a classification index higher than 80% for each soil class. The global classification index was 90.71%, when all soil classes were used to develop the model, and 93.44% when most individuals classes were used. The simulated statistical test was efficient in the discriminant analysis, presenting a classification index higher than 91%, with a global error of 8.8%. The analysis demonstrated a reduction of the model quality when applied for 20% sub-group of the samples with global error of 33.9%. The method helped in the soil classes discrimination by their spectral reflectance, based on their physical interaction with electromagnetic energy.

Index terms: linear function, reflectance of soils, spectroradiometry, soil mapping, soil classification.


 

 

Introdução

Os levantamentos pedológicos são, seguramente, a melhor forma de se coletar grande número de informações acerca dos solos. Essas informações, quando adequadamente manejadas, possibilitam aos usuários empregarem técnicas e estabelecerem planejamentos para que possam prolongar e até mesmo aumentar a capacidade produtiva de suas terras.

Discussões sobre a necessidade de agregação de esforços e trabalhos em conjunto que possam contribuir para uma avaliação quantitativa dos solos agrícolas têm merecido destaque em artigos e publicações científicas. Alguns estudos propõem uma melhor compreensão do comportamento espectral dos solos por meio de sensores remotos. Stoner & Baumgardner, (1981) e Formaggio et al. (1996), demonstraram a importância e a possibilidade de caracterizar os solos por sensores remotos no nível terrestre, ou seja, no campo ou laboratório. Existem métodos que podem ser aplicados no mapeamento (Andronikov & Dobrolv'skiy, 1991). A fundamentação de tais estudos é que cada solo apresenta uma assinatura espectral, decorrente de seus atributos, e que apresenta informações em determinado comprimento de onda ou em todo o espectro eletromagnético.

A possibilidade de que a resposta espectral possa auxiliar na discriminação de unidades de solos baseia-se no pressuposto de que cada classe apresenta características que a difere das demais e, portanto, é taxonomicamente individualizada. Como a resposta espectral dos solos também é uma característica individualizadora, supõe-se que o uso desta variável possa separar as classes de solos e, portanto, auxiliar nos levantamentos pedológicos.

A análise discriminante apresenta-se como um instrumento para levantamentos dos solos (Webster & Oliver, 1990). Webster & Burrough (1974), Demattê & Garcia (1999) e Demattê & Nanni (2003) têm demonstrado a possibilidade de predizer classes de solos e sua separabilidade na paisagem por meio da análise multivariada.

Levantamentos pedológicos e dos atributos dos solos têm sido realizados com a contribuição da análise discriminante (Sinowski & Auerswald, 1999; Kravchenko et al., 2002).

Entretanto, uma desvantagem da análise discriminante no mapeamento das propriedades dos solos, apontada por Kravchenko et al. (2002), é que a localização geoespacial das suas propriedades não pode ser utilizada no desenvolvimento de modelos preditores. Segundo esses autores, a combinação da capacidade de predição da análise discriminante com os métodos geoestatísticos pode tornar-se muito valiosa para o mapeamento e o manejo ambiental.

A distribuição das propriedades dos solos na paisagem, segundo Sinowski & Auerswald (1999), é controlada pelo relevo, material parental, clima, organismos e tempo.

O objetivo deste trabalho foi desenvolver e avaliar um método para a discriminação das classes de solos a partir de suas respostas espectrais, utilizando-se um sensor em laboratório.

 

Material e Métodos

Localizada ao sudoeste do Estado de São Paulo, a área de estudo encontra-se delimitada pelas coordenadas geográficas 23º0'31,37" –22º58'53,97" de latitude sul e 53º39'47,81" –53º37'25,65" de longitude oeste, na região denominada depressão paleozóica (Instituto de Pesquisas Tecnológicas, 1981). A área está situada na bacia hidrográfica do Rio Tietê, margeada pelo Rio Capivari, com uma extensão de aproximadamente 198 ha, dos quais foram trabalhados 185 ha; o seu perímetro é de 11.045,80 m. O clima da região apresenta inverno seco em que a temperatura média do mês mais frio é inferior a 18ºC, e a do mês mais quente ultrapassa 22ºC, sendo classificado como Cwa, segundo Köppen.

Geologicamente, a área situa-se sobre a Formação Itararé, pertencente ao Grupo Tubarão. Esta formação apresenta litologias predominantes areníticas, de granulação heterogênea, com presença de arenitos feldspáticos e arcósios. Argilitos e folhelhos de colorações variadas, desde o cinza claro ao escuro, complementam a litologia desta formação e são de ocorrência freqüente. A região possui elementos eruptivos da Formação Serra Geral, compreendendo corpos intrusivos de mesma composição que os basaltos toleíticos.

Na execução dos trabalhos cartográficos, utilizou-se o Sistema de Processamento de Informações Geocodificadas – SPRING (Instituto Nacional de Pesquisas Espaciais, 1999), com múltiplas funções e algoritmos para processamento de informações georreferenciadas. Neste sistema foi implementado um banco de dados para a incorporação das informações geoespacializadas advindas de cartas planialtimétricas na escala de 1:10.000, bem como das informações coletadas no campo por meio de GPS e de imagens orbitais, com a finalidade de produção de um mapa de solos na escala 1:25.000.

O levantamento pedológico da área foi realizado utilizando-se a abordagem sintética e analítica, para delimitação das unidades de paisagem e estabelecimento das classes de solos. Na abordagem sintética, foi alocado um ponto de tradagem por ha (Wolkowski & Wollenhaupt, 1994) num total de 185 pontos, demarcados em forma de grade com 100 m de aresta, conforme Embrapa (1996). Inicialmente foram estabelecidos os pontos de observação e tradagens e em seguida foi realizada a delimitação das unidades de mapeamento. Cada ponto teve sua posição georreferenciada por meio do sistema DGPS (Diferential Global Positioning System).

Na abordagem analítica, os limites entre as unidades fisiográficas foram estabelecidos pela interpretação visual da imagem orbital, traçando-se os limites no sistema Spring, após sucessivas combinações de algoritmos e filtros para melhoria da qualidade visual.

Para melhor estabelecimento dos limites cartográficos entre as unidades, foi gerada uma carta clinográfica pelo fatiamento de um modelo numérico de terreno construído a partir das curvas de nível contidas nas cartas planialtimétricas. As classes de declividade seguiram os intervalos preconizados pela Embrapa (1996).

Em cada ponto alocado no campo foram coletadas amostras de solos, representando os horizontes diagnósticos de superfície e subsuperfície. As profundidades de coleta variaram para a superfície de 0 a 0,20 m, enquanto para o horizonte diagnóstico de subsuperfície, quando presente, foi de 0,80 a 1,00 m.

As amostras coletadas foram enviadas ao laboratório para análises físicas, químicas e mineralógicas sendo, inicialmente, secadas em estufa de ventilação forçada a 50ºC por 48 horas e peneiradas em peneira de 2 mm.

Os grupamentos texturais dos solos foram realizados conforme Embrapa (1999). Na determinação dos teores de areia total, silte e argila, utilizou-se o método do densímetro (Camargo et al., 1986). Matéria orgânica (MO), acidez ativa e de reserva, pH e capacidade de troca catiônica (CTC) foram determinados segundo Embrapa (1997). Bases trocáveis (cálcio, magnésio, potássio) (S), e os valores de saturação por bases (V%) e saturação por alumínio (m%), foram determinados conforme Raij & Quaggio (1989). Os teores de Fe total, Si e Ti foram determinados por meio de ataque sulfúrico conforme Embrapa (1997). A cor foi determinada pela carta de cores Munsell.

As classes de solos foram definidas após análise das amostras laboratoriais e da observação das características dos perfis de 18 trincheiras abertas em pontos representativos das unidades fisiográficas, sendo um perfil representativo por classe de solo encontrado. A descrição e coleta do material, e o método de trabalho de campo seguiram os critérios estabelecidos por Lemos & Santos (1996). Em seguida, foram definidas as classes de solos conforme o Sistema Brasileiro de Classificação de Solos (Embrapa, 1999), obtendo-se, desta forma, um mapa detalhado na escala 1:25.000 da área de estudo.

As amostras de terra fina secadas em estufa, nas duas profundidades de coleta, foram acondicionadas em placas de Petri, com 9 cm de diâmetro, nas quais realizou-se leitura radiométrica, utilizando-se, em um ambiente controlado, o sistema IRIS – Infra-Red Intelligent Spectroradiometer – com uma resolução espectral de 2 nm (de 300 a 1.000 nm) e 4 nm (de 1.000 a 3.000 nm).

A geometria de aquisição dos dados foi realizada conforme Valeriano et al. (1995), resultando no fator de reflectância bidirecional espectral, que expressa a razão entre o fluxo radiante espectral refletido pela superfície de um corpo e o refletido por um padrão de referência, sob mesmas condições de iluminação e geometria de leitura. Para cada amostra de solo, foram realizadas leituras em triplicata, rotacionando-se a placa de Petri em 90 graus. A resposta espectral de cada amostra refere-se à média das três leituras.

Em cada curva espectral registrada em laboratório, foram definidas 22 bandas espectrais ou intervalos de comprimentos de onda de duas maneiras. A primeira refere-se à média dos valores de reflectância em um certo intervalo de comprimento de onda, em diferentes pontos do espectro analisado (400 –2500 nm). Essa seleção baseou-se principalmente na observação das curvas espectrais médias de todos os solos, bem como na observação de bandas selecionadas por Henderson et al. (1992), Madeira Netto (1993, 1996) e Demattê & Garcia (1999), e estão indicadas na Figura 1. A segunda refere-se aos valores de fator de reflectância, caracterizados por uma forte inflexão por se tratar de uma banda de absorção de elementos do solo já descritos e bem caracterizados, como é o caso dos óxidos de ferro (481 nm), água e grupos OH- (1417 e 1.927 nm), caulinita (2.206 nm) e gibbsita (2.258 nm) nas bandas 2, 9, 14, 18 e 20, respectivamente (Figura 1).

Além das bandas espectrais, foram selecionados, para compor o banco de dados espectrais, os valores obtidos pela diferença entre o fator de reflectância da borda e o valor de bandas de absorção do espectro eletromagnético utilizado (Figura 1). Neste caso, foram selecionados 13 valores representando esta diferença de altura.

Na análise estatística dos dados foi utilizado o programa SAS Institute (1992). A matriz de dados utilizada na análise estatística foi composta por 22 bandas e 13 diferenças de altura do fator de reflectância, para as duas camadas de solo amostradas em cada ponto de amostragem, num total de 70 variáveis.

A fim de estabelecer as variáveis preditoras, foi utilizado inicialmente o procedimento STEPDISC do sistema SAS para a seleção entre as 22 bandas e 13 diferenças de alturas, que poderiam ser adequadamente utilizadas. Para que não houvesse nenhuma tendência da análise, foi realizado o procedimento de avaliação de colinearidade das variáveis, descartando-se a possibilidade de duas ou mais variáveis estarem se sobrepondo e, portanto, interferirem no processo discriminatório das classes de solos analisadas.

Na diferenciação e caracterização dos solos, foi realizada a análise discriminante, com o objetivo de desenvolver e validar o método para determinação da classe do solo a partir de seus dados espectrais ou características analíticas. Neste caso, a classe de solo avaliada torna-se função de suas respostas espectrais, ou seja: classe de solo = (bandas espectrais e alturas de inflexão).

Para tanto, foi utilizado o procedimento DISCRIM, o qual segundo Afifi et al. (2004) possibilita, por meio do sistema computacional SAS/STAT, a obtenção de coeficientes das equações discriminantes.

 

Resultados e Discussão

A área de estudo apresenta grande variedade de material parental, composto por material retrabalhado de arenito-diabásio, arenito-folhelho e diabásio-folhelho, ou mesmo uma combinação dos três. O diabásio pode estar recoberto também pelo arenito ou, com o folhelho, constituir, mediante sua meteorização e retrabalhamento, material de origem para alguma classe de solo (Demattê et al., 1992; Vidal-Torrado & Lepsch, 1999).

Conseqüentemente, presume-se que ocorra, apenas pela condição geológica, o surgimento de várias classes de solos. Numa área de 185 ha foram observadas, utilizando-se a abordagem sintética para levantamentos pedológicos, 18 classes de solos: Argissolo Vermelho-Amarelo distrófico (PVAd); Argissolo Vermelho-Amarelo eutrófico textura arenosa/média (PVAe1); Argissolo Vermelho-Amarelo eutrófico abrúptico (PVAe3); Argissolo Vermelho-Amarelo eutrófico textura média/argilosa (PVAe2); Cambissolos Háplicos Ta eutróficos, lépticos, substrato folhelhos da Formação Itararé (CE2); Cambissolos Háplicos Tb distróficos (CD2); Cambissolos Háplicos Tb distróficos e alumínicos, substrato retrabalhamento de arenito e saprolito de folhelho da Formação Itararé (CD1); Cambissolos Háplicos Tb eutróficos típicos, substrato diabásio (CE3); Cambissolos Háplicos Tb eutróficos típicos, substrato regolito do retrabalhamento de arenito e diabásio (CE1); Chernossolo Argilúvico férrico saprolítico (MTfr); Latossolo Vermelho eutrófico típico (LVe); Latossolo Vermelho-Amarelo distrófico típico (LVAd); Latossolo Vermelho-Amarelo eutrófico típico (LVAe); Neossolo Litólicos eutróficos (Rle1); Neossolo Litólicos eutróficos chernossólicos e típicos (Rle2); Neossolos Flúvicos Tb distróficos típicos (RUd); Nitossolo Vermelho eutroférrico (NVef1); Nitossolo Vermelho eutroférrico latossólico (NVef2).

A área de estudo é dominada principalmente por Argissolos, com 58,12 ha (31,12%), Latossolos, 39,60 ha (21,21%), Cambissolos, 36,92 ha (19,76%), Nitossolos, 19,08 ha (10,22%), Chernossolos, 12,76 ha (6,84%) e, finalizando, os solos Neossolos litólicos, 9,76 ha (10,22%) e Neossolos flúvicos, 10,52 ha (5,63%).

Numa primeira etapa, foram analisadas todas as classes de solos, independentemente do número de indivíduos para cada classe. Presumia-se que as classes que contivessem um número pequeno de indivíduos apresentassem menor amplitude ou variabilidade de atributos. Na área de estudo foram identificados, por exemplo, 31 indivíduos na classe PVAe1, enquanto na classe Rle2 foram encontrados apenas dois indivíduos.

Das 70 variáveis estabelecidas, 39 foram selecionadas pelo procedimento STEPDISC do SAS Institute (1992) ao nível de significância de p<0,001, cujas equações discriminantes, em cada classe de solo, obtidas pela análise de regressão com os dados de reflectância no sensor IRIS são apresentadas nas Tabelas 1 e 2.

Como exemplo, tomemos a equação da classe RUd. A equação discriminante para esta classe será:

RUd = -172,708 + 2143BD21_HA - 4880BD17_HA - 1077H7_HA - 2734H1_HA - 48,1645H4_HB + 909,9048H3_HB - 3993BD22_HB - 231,123H3_HA - 769,214BD19_HB - 506,654BD4_HB - 8152BD14_HA - 2083H6_HB + 1900BD21_HB - 106,376H12_HB + 2458BD13_HB + 672,5182BD12_HB - 554,364BD19_HA + 770,8665BD7_HB + 1853H1_HB + 3321H11_HB - 4104H11_HA - 1256BD7_HA - 275,519BD6_HA +1690BD5_HA + 286,4206BD1_HB + 578,4571H2_HB - 7532BD8_HA + 9830BD13_HA + 5603BD9_HA + 2220BD11_HA - 1654BD17_HB - 5159H10_HB - 5853BD16_HB - 3974BD8_HB - 1523BD11_HB + 3390BD10_HB + 350,3098H13_HB - 3229BD15_HB - 428,527H9_HB, em que os valores de BD1, BD2, ..., B22 correspondem às faixas de comprimento de onda selecionadas, e os valores de H1, H2, ..., H13 correspondem às magnitudes das profundidades das bandas de absorção selecionadas para as camadas superficial (HA) e subsuperficial (HB) dos pontos amostrados. Na utilização dos dados das Tabelas 1 e 2, para um solo desconhecido, seus dados de reflectância deverão ser aplicados em todas as equações das Tabelas 1 e 2. Assim, o solo cujo valor final for o maior valor resultante da equação terá maior probabilidade de ser da mesma classe que o do solo da equação. Isso torna viável a caracterização de solos de diferentes regiões do país, auxiliando numa identificação preliminar mais rápida, conforme Coleman & Montgomery (1990), Demattê (1999) e Demattê & Garcia (1999). Segundo Gerbermann & Neher (1979), com uma coleção de dados de forma automatizada, pode-se consumir menos tempo na produção de mapas de solos do que com os métodos convencionais.

Houve porcentagem de acerto superior para a maioria dos solos (Tabela 3). Por exemplo, todas as amostras do NVef1 apresentaram valores semelhantes, não sendo confundido com nenhum outro solo.

Os maiores erros foram encontrados nas classes LVAe, PVAd e NVef2, com 22%, 25% e 25%, respectivamente. Mesmo assim, das nove amostras do LVAe, duas foram classificadas como LVe, ou seja, pertencentes ao grande grupo dos Latossolos. No caso do PVAd, das quatro amostras analisadas uma foi classificada como PVAe2, também pertencente ao grande grupo dos Argissolos Vermelho-Amarelos. Quando o número de indivíduos de uma mesma classe é pequeno, como é o caso do PVAd, com quatro amostras, o erro de apenas uma classe leva a um erro de 25%, uma vez que cada amostra representa tal porcentagem na população de sua classe.

O erro global médio da classificação foi de 9,29%, próximo ao encontrado por Demattê (1995, 1999) e inferior às variações observadas por Coleman & Montgomery (1990) (Tabela 3).

Para confirmar a proposta do trabalho, foi realizada uma nova análise discriminante com apenas 10 classes de solos, mas com maior número de observações. Entende-se que classes com número reduzido de indivíduos podem não contemplar a variabilidade existente na classe, ou possuir características muito próximas de outra classe, não possibilitando assim uma análise segura e confiável. Além disso, classes com pequeno número de observações elevam o erro global, uma vez que se uma entre quatro observações, dentro de uma determinada classe, por exemplo, não for da classe em questão, gera um erro de 25%, sobressaindo-se na análise global dos resultados. Das 18 classes encontradas, apenas 10 continham número de observações maior que sete: RUd, MTfr, CD1, CE2, CD2, LVe, LVAe, PVAe1, PVAe2 e NVef1. Como foram mantidos representantes de todos os grandes grupos de solos originalmente estabelecidos, acredita-se que o prejuízo pela exclusão das demais classes seja pequeno.

Houve melhora na classificação das classes CE2, LVAe, PVAe1 e PVAe2 em relação à análise discriminante com todas as classes (Tabela 4). As maiores sobreposições ocorreram entre as classes CD1 e CD2 com as classes PVAe2 e PVAe1, respectivamente. A classe CD1 refere-se aos solos derivados de folhelho. O PVAe2 refere-se aos solos com textura média/argilosa derivados do retrabalhamento entre o arenito e o folhelho ou diabásio. Como em alguns pontos da área observaram-se Argissolos pouco profundos, é justificável que possa haver confusão entre essas duas classes. O mesmo aconteceu com as classes CD2 e PVAe1. O CD2 refere-se a solos cuja diferença textural entre os horizontes A e B não foi suficiente para caracterizá-los como Argissolos, com textura areia/média, como é o caso dos PVAe1. Logo, neste caso, também é justificável certa confusão entre estas classes.

O erro global da classificação apresentou valores mais baixos do que o caso anterior, com 6,56%, o que já era esperado (Tabela 4). Este valor apresentou-se próximo ao observado por Demattê (1995, 1999) e foi inferior às variações encontradas por Coleman & Montgomery (1990).

Para reforçar a análise discriminante e o método proposto, realizou-se uma simulação em que 80% dos pontos amostrados foram utilizados para gerar um modelo discriminante que seria testado pelos 20% restante dos dados. A escolha das proporções foi aleatória, ou seja, a programação no sistema SAS escolheu aleatoriamente os componentes que fariam parte da análise discriminante (80%) e aqueles que seriam utilizados para testar os modelos (20%). Desse modo, o procedimento foi testado 50 vezes, ou seja, o sistema escolheu aleatoriamente 80% dos pontos amostrados para geração do modelo de discriminação e 20% para teste por 50 vezes consecutivas.

Na simulação, foram utilizadas apenas as 10 classes anteriormente discutidas, uma vez que o erro médio global situou-se em valores inferiores, quando foram utilizadas todas as classes de solos encontradas na área de estudo. Realizada a simulação, o sistema forneceu como resultante os dados que compõem a Tabela 5, na qual é mostrada a porcentagem de classificação dos dados dentro do modelo, ou seja, os próprios indivíduos que estabeleceram o modelo foram testados por ele, e a porcentagem de classificação dos dados ao final das 50 simulações.

Os resultados confirmaram a expectativa apresentada, com possibilidade do uso da reflectância dos solos para sua discriminação e conseqüente classificação (Tabela 5). Todas as classes tiveram percentual acima de 82% de acerto, com um erro global de 8,8%. Na simulação, 80% das freqüências esperadas foram altamente significativas pelo teste do Qui-quadrado (p<0,001). A correlação entre as classes observadas e estimadas foi aleatoriamente escolhida gerando um modelo a cada simulação. Em cinqüenta simulações, as observações participaram do modelo numa freqüência total de 5.872 tentativas. Destas, 516 vezes o modelo classificou a observação erroneamente (8,8%) e 5.356 vezes o modelo acertou a classe a que se destinava a observação (91,2%). O modelo apresentou r2 de 93,9%, definido pelo coeficiente de contingência.

Ao utilizar-se 20% das observações selecionadas ao acaso para teste do modelo, observou-se que a porcentagem de acerto diminuiu, com conseqüente elevação da porcentagem do erro. A classe com melhor desempenho foi a NVef1 com 98% de acerto (Tabela 6). A de menor desempenho foi a classe CD2, com cerca de 43% de acerto, e foi a que apresentou coincidência com maior número de outras classes. Ela destinguiu-se das demais, pois os pontos amostrados não apresentaram requisitos de gradiente textural para enquadrar-se como Argissolos ou qualquer outro atributo que satisfizesse os requisitos para a sua classificação como Latossolos. Os solos pertencentes à classe CD2 apresentaram-se morfologicamente semelhantes aos Latossolos de textura média (LVAd). Superficialmente são também semelhantes aos Argissolos de textura arenosa. A coincidência entre as classes era presumível. Assim, na área de estudo, a classe CD2 coincidiu com quase todos os solos que apresentaram, em sua constituição, maior contribuição da fração areia.

A segunda classe com menor desempenho foi LVAe, com cerca de 48% de acerto. Como nos casos anteriores, a coincidência continua sendo com a classe LVe. Estas classes são bastante semelhantes morfologicamente, diferindo apenas nos teores de ferro, o que justifica o baixo desempenho de ambas.

Algumas coincidências são relativamente baixas, como é o caso da classe RUd ser classificada como CD1 em quatro tentativas num total de 126, perfazendo um erro de 2,8%.

Em 50 simulações, os indivíduos de cada classe participaram do modelo numa freqüência total de 1.428 tentativas. Destas, o modelo classificou 484 vezes a observação erroneamente, perfazendo um erro global de 33,9%, e 944 vezes o modelo acertou a classe a que se destinava a observação (66,1%). Tal erro, decorrente de características semelhantes entre os solos, é passível.

O modelo apresentado foi altamente significativo pelo teste do Qui-quadrado (p<0,001). A correlação entre as classes observadas e estimadas pelo modelo apresentou r2 de 89,4%, definido pelo coeficiente de contingência.

Apesar do aumento do erro, observado entre a análise realizada com os dados que construíram o modelo (8,8%) em relação aos 20% que testaram o modelo (33,9%), pode-se considerar que os resultados foram satisfatórios, uma vez que a área de estudo apresenta grande heterogeneidade pedogenética. Mesmo assim, houve 66% de acerto na classificação dos solos usados para testar o modelo. Portanto, parte dos dados aleatoriamente escolhidos para avaliar as classes puderam classificá-las por meio de equações discriminantes advindas de respostas espectrais.

Mesmo sem atingir valores equivalentes aos apresentados para os dados que geraram o modelo, há perspectivas na possibilidade de levantamentos pedológicos por meio da análise discriminante, como também destacado por Webster & Burrough (1974), uma vez que o método abordado pode, com segurança, estabelecer limites entre diferentes classes de solos. O método confirma, nas suas limitações, que os solos podem ser discriminados pela sua reflectância, devido às interações físicas com a energia eletromagnética.

 

Conclusões

1. A análise estatística aplicada à resposta espectral das amostras obtidas no laboratório permite a discriminação dos solos.

2. A análise discriminante, utilizando-se todas as observações, apresentou índices de acerto com valores acima de 80% dentro da classe de solo avaliada; o acerto global é de 90,71%, quando se utilizam todas as classes para geração dos modelos de análise, e de 93,44%, quando se utilizam as 10 classes com maior número de observações.

3. O teste estatístico simulado é eficiente para a análise discriminante, com taxa de acerto médio acima de 91%, e erro global de 8,8%.

4. A análise apresenta redução da qualidade do modelo quando aplicado para um subconjunto de 20% das amostras, com erro global de 33,9%.

 

Agradecimentos

À Fundação de Amparo à Pesquisa do Estado de São Paulo, pelo auxílio financeiro (Proc. n. 983516-98); à Capes, pela concessão de bolsa a Marcos Rafael Nanni; ao CNPq, pela concessão de bolsa a José Alexandre M. Demattê (proc. n. 300371/96-9).

 

Referências

AFIFI, A.; CLARK, V.A.; MAY, S. Computer-aided multivariate analysis. Boca Raton: Chapman & Hall, 2004. 419p.        [ Links ]

ANDRONIKOV, V.L.; DOBROLV'SKIY, G.V. Theory and methods for the use of remote sensing in the study of soils. Mapping Sciences & Remote Sensing, v.28, p.92-101, 1991.        [ Links ]

CAMARGO, A.O. de; MONIZ, A.C.; JORGE, J.A.; VALADARES, J.M.A.S. Métodos de análise química, mineralógica e física de solos do IAC. Campinas: IAC, 1986. 94p.        [ Links ]

COLEMAN, T.L.; MONTGOMERY, O.L. Assessment of spectral characteristics for differentiating among soil categories in the southeastern United States. Photogrammetric Engineering and Remote Sensing, v.52, p.1659-1663, 1990.        [ Links ]

DEMATTÊ, J.A.M. Reflectância espectral de solos. 1999. 452p. Tese (Livre Docência) - Escola Superior de Agricultura Luiz de Queiroz, Piracicaba.        [ Links ]

DEMATTÊ, J.A.M. Relações entre dados espectrais e características físicas, químicas e mineralógicas de solos desenvolvidos de rochas eruptivas. 1995. 265p. Tese (Doutorado) - Escola Superior de Agricultura Luiz de Queiroz, Piracicaba.        [ Links ]

DEMATTÊ, J.A.M.; GARCIA, G.J. Alteration of soil properties through a weathering sequence as evaluated by spectral reflectance. Soil Science Society of America Journal, v.63, p.327-342, 1999.        [ Links ]

DEMATTÊ, J.A.M.; NANNI, M.R. Weathering sequence of soils developed from basalt as evaluated by laboratory (IRIS), airborne (AVIRIS) and orbital (TM) sensors. International Journal of Remote Sensing, v.24, p.4715-4738, 2003.        [ Links ]

DEMATTÊ, J.L.I.; VIDAL-TORRADO, P.; SPAROVEK, G. Influência da drenagem na morfogênese de solos desenvolvidos de rochas básicas no Município de Piracicaba (SP). Revista Brasileira de Ciência do Solo, v.16, p.241-247, 1992.        [ Links ]

EMBRAPA. Centro Nacional de Pesquisa dos Solos (Rio de Janeiro, RJ). Manual de métodos de análise de solo. Rio de Janeiro, 1997. 212p.        [ Links ]

EMBRAPA. Centro Nacional de Pesquisa dos Solos (Rio de Janeiro, RJ). Sistema brasileiro de classificação de solos. Brasília: Embrapa-SPI; Embrapa-CNPS, 1999. 412p.        [ Links ]

EMBRAPA. Serviço Nacional de Levantamento e Conservação de Solos (Rio de Janeiro, RJ). Normas e critérios para levantamentos pedológicos. Rio de Janeiro, 1996. 94p.        [ Links ]

FORMAGGIO, A.R.; EPIPHANIO, J.C.N.; VALERIANO, M.M.; OLIVEIRA, J.B. Comportamento espectral (450-2.450 nm) de solos tropicais de São Paulo. Revista Brasileira de Ciência do Solo, v.20, p.467-474, 1996.        [ Links ]

GERBERMANN, A.H.; NEHER, D.D. Reflectance of varying mixtures of a clay soil and sand. Photogrammetric Engineering and Remote Sensing, v.45, p.1145-1151, 1979.        [ Links ]

HENDERSON, T.L.; BAUMGARDNER, M.F.; FRANZMEIER, D.P.; STOTT, D.E.; COSTER, D.C. High dimensional reflectance analysis of soil organic matter. Soil Science Society of American Journal, v.56, p.865-872, 1992.        [ Links ]

INSTITUTO DE PESQUISAS TECNOLÓGICAS. Divisão de Minas e Geologia Aplicada. Mapa geológico do Estado de São Paulo. São Paulo, 1981. Escala 1:1000.000.        [ Links ]

INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Tutorial Spring: spring básico. São José dos Campos, 1999.        [ Links ]

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.        [ Links ]

LEMOS, R.C.; SANTOS, R.D. Manual de descrição e coleta de solo no campo. Campinas: Sociedade Brasileira de Ciência do Solo, 1996. 84p.        [ Links ]

MADEIRA NETTO, J.S. Étude quantitative des relations constituants minéralogiques - réflectance diffuse des latosols brésiliens: application à l'utilization pédologique des donées satellitaires TM (région de Brasília). 1993. 236p. Doctorat (Thése) - Université Pierre et Marie Curie, Paris.        [ Links ]

MADEIRA NETTO, J.S. Spectral reflectance properties of soils. Photogrametric Interpretation, v.34, p.59-70, 1996.        [ Links ]

RAIJ, B. van; QUAGGIO, J.A. Métodos de análise de solo para fins de fertilidade. Campinas: IAC, 1983. 40p. (Boletim técnico, 81).        [ Links ]

SAS INSTITUTE (Cary, Estados Unidos). SAS software: user's guide, version 6.0. Cary, 1992. 291p.        [ Links ]

SINOWSKI, W.; AUERSWALD, K. Using relief parameters in a discriminant analysis to stratify geological areas with different spatial variability of soil properties. Geoderma, v.89, p.113-128, 1999.        [ Links ]

STONER, E.R.; BAUMGARDNER, M.F. Characteristics variations in reflectance of surface soils. Soil Science Society of America Journal, v.45, p.1161-1165, 1981.        [ Links ]

VALERIANO, M.M.; EPIPHANIO, J.C.N.; FORMAGGIO, A.R.; OLIVEIRA, J.B. Bi-directional reflectance factor of 14 soil classes from Brazil. International Journal of Remote Sensing, v.16, p.113-128, 1995.        [ Links ]

VIDAL-TORRADO, P.; LEPSCH, I.F. Relações material de origem/solo e pedogênese em uma sequência de solos predominantemente argilosos e latossólicos sobre psamitos na depressão periférica paulista. Revista Brasileira de Ciência do Solo, v.23, p.357-369, 1999.        [ Links ]

WEBSTER, R.; BURROUGH, P.A. Multiple discriminant analysis in soil survey. Journal of Soil Science, v.25, p.120-134, 1974.        [ Links ]

WEBSTER, R.; OLIVER, M.A. Statistical methods in soil and land resource survey. Oxford: Oxford University Press, 1990. 316p.        [ Links ]

WOLKOWSKI, R.P.; WOLLENHAUPT, N.C. Grid soil sampling. Better Crops, v.78, p.6-9, 1994.        [ Links ]

 

 

Recebido em 11 de novembro de 2003 e aprovado em 2 de julho de 2004

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License