Artigo: Sampling scheme optimization to map soil depth to petrocalcic

horizon at field scale

Autores: Domenech et al. (2017)

- amostragens convencionais para mapear a profundidade do solo são caras e

demandam tempo;

- uso de sensores terrestres para obter informações: “barato” (se já tem o

sensor, claro) e com maior intensidade;

- informações auxiliares coletadas simultaneamente: condutividade elétrica em

diferentes profundidades e elevação;

- informações auxiliares usadas como covariáveis;

- a condutividade por meio do sensor Veris, e a elevação a partir do pós-

processamento de dados coletados pelo GPS Trimble produzindo um modelo
digital de elevação;

- otimização realizada em 5 passos:

i) o pacote do R “clhs” utiliza um procedimento aleatório estratificado que

seleciona amostras com base na distribuição de informações auxiliares
(Hipercubo Latino). O algoritmo de otimização usa recozimento simulado. Para
calibração dos dados utilizou-se 5 tamanhos amostrais e 5 áreas (com
tamanhos e características distintas para não precisar usar simulação). Foi
utilizado um método (50% de amostras independentes) para validar a
metodologia;

ii) foi avaliada a representatividade das amostras selecionadas pelo algoritmo

comparando-se a média e variância amostral das covariáveis com a média e
variância amostral original;

iii) árvore de decisão para analisar a importância das covariáveis na predição

espacial da profundidade do solo;

iv) mapeamento: utilizou-se cokrigagem. Ou seja, obteve-se o mapeamento

sem informação da variável principal;

v) acurácia dos mapas: R² e raiz quadrada do erro médio normalizado.

- redução de até 70% do tamanho amostral gerou bons resultados (entre 50 e

70%);

- extrapolação dos resultados para outras áreas deve ser testada.