Digital soil mapping using reference area and artificial neural networks.

Digital soil mapping is an alternative for the recognition of soil classes in areas where pedological surveys are not available. The main aim of this study was to obtain a digital soil map using artificial neural networks (ANN) and environmental variables that express soillandscape relationships. This study was carried out in an area of 11,072 ha located in the Barra Bonita municipality, state of São Paulo, Brazil. A soil survey was obtained from a reference area of approximately 500 ha located in the center of the area studied. With the mapping units identified together with the environmental variables elevation, slope, slope plan, slope profile, convergence index, geology and geomorphic surfaces, a supervised classification by ANN was implemented. The neural network simulator used was the Java NNS with the learning algorithm "back propagation." Reference points were collected for evaluating the performance of the digital map produced. The occurrence of soils in the landscape obtained in the reference area was observed in the following digital classification: medium-textured soils at the highest positions of the landscape, originating from sandstone, and clayey loam soils in the end thirds of the hillsides due to the greater presence of basalt. The variables elevation and slope were the most important factors for discriminating soil class through the ANN. An accuracy level of 82% between the reference points and the digital classification was observed. The methodology proposed allowed for a preliminary soil classification of an area not previously mapped using mapping units obtained in a reference area

Comparação entre imagens Aster e Landsat 7 na classificação de níveis de degradação de pastagens utilizando redes neurais artificiais.

O presente estudo teve como objetivo comparar a eficiência dos dados dos sensores Aster e ETM+/Landsat 7 na classificação do uso e cobertura da terra, com ênfase nos níveis de degradação das pastagens na Zona da Mata Mineira, através da utilização de redes neurais artificiais. Foram testadas três composições de uma imagem do sensor Aster e uma do ETM+/Landsat 7, para definição das melhores feições discriminantes para o classificador. As classes de uso e cobertura consideradas foram: floresta, café, área urbana/solo exposto e três níveis de degradação das pastagens (moderado, forte e muito forte). Utilizou-se o simulador de redes neurais Java Neural Network Simulator e o algoritmo empregado foi o back-propagation. Dentre as composições de imagens testadas o melhor resultado foi alcançado com a utilização das 9 bandas do Aster (30m) como variáveis discriminantes, que também permitiu uma melhor discriminação dos níveis de degradação das pastagens considerados. Este resultado é atribuído à melhor resolução espectral desta composição de imagem quando comparada às demais. Dentre as classes consideradas, a pastagem no nível de degradação muito forte foi a que apresentou o maior erro de classificação, em todas as composições, sendo bastante confundida com a pastagem no nível de degradação forte.