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.