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

Pesq. agropec. bras., Brasília, v.39, n.10, p.995-1006, out. 2004

Análise discriminante dos solos por meio da resposta espectral 995

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

Marcos Rafael Nanni(1), José Alexandre M. Demattê(2) e Peterson Ricardo Fiorio(3)

(1)Universidade Estadual de Maringá, Dep. de Agronomia, Av. Colombo, 5790, CEP 87020-900 Maringá, PR. E-mail: [email protected] (2)EscolaSuperior de Agricultura Luiz de Queiroz, Dep. de Solos e Nutrição de Plantas, Caixa Postal 09, CEP 13418-900 Piracicaba, SP. E-mail:[email protected] (3)Universidade Estadual do Oeste do Paraná, Centro de Ciências Agrárias, Caixa Postal 91, CEP 85960-000Marechal Cândido Rondon, PR. E-mail: [email protected]

Resumo – O objetivo deste trabalho foi desenvolver e avaliar um método para discriminação das classes desolos a partir de suas respostas espectrais, utilizando-se um sensor em laboratório. Os dados espectrais foramutilizados no desenvolvimento de modelos estatísticos para discriminar as classes de solos de uma área nosudoeste do Estado de São Paulo. Equações discriminantes foram desenvolvidas para as 18 classes. A respostaespectral 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 resultadosdemonstraram 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 globalfoi de 90,71% quando se utilizaram todas as classes para a geração dos modelos, e 93,44% quando se utilizaramas dez classes com maior número de indivíduos. O teste estatístico simulado mostrou-se eficiente na análisediscriminante, com taxa média de acerto acima de 91%, com erro global de 8,8%. A análise demonstrou reduçãona 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 aenergia eletromagnética.

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

Soil discrimination analysis by spectral response in the ground level

Abstract – The objective of this study was to develop and test a discrimination method for soil classes by theirspectral response (SR), using a laboratory sensor. Spectral data were used to develop statistical model fordiscriminating soil classes in an area at the southwest of São Paulo State, Brazil. Discriminant equations weredeveloped for 18 soil classes. The spectral data were obtained in superficial and subsuperficial soil samples inthe study area, with a total of 370 samples. The samples were collected in 185 ha, with one borehole per ha. Theresults showed that soil classes can be separated and delimitated by discriminant analysis. The analysis presenteda classification index higher than 80% for each soil class. The global classification index was 90.71%, when all soilclasses were used to develop the model, and 93.44% when most individuals classes were used. The simulatedstatistical test was efficient in the discriminant analysis, presenting a classification index higher than 91%, witha 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 theirspectral 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, amelhor forma de se coletar grande número de informa-ções acerca dos solos. Essas informações, quando ade-quadamente manejadas, possibilitam aos usuários em-pregarem técnicas e estabelecerem planejamentos para

que possam prolongar e até mesmo aumentar a capaci-dade produtiva de suas terras.

Discussões sobre a necessidade de agregação deesforços e trabalhos em conjunto que possam contribuirpara uma avaliação quantitativa dos solos agrícolas têmmerecido destaque em artigos e publicações científicas.Alguns estudos propõem uma melhor compreensão do


M.R. Nanni et al.996

comportamento espectral dos solos por meio de sensoresremotos. Stoner & Baumgardner, (1981) e Formaggioet al. (1996), demonstraram a importância e a possibili-dade de caracterizar os solos por sensores remotos nonível terrestre, ou seja, no campo ou laboratório. Exis-tem métodos que podem ser aplicados no mapeamento(Andronikov & Dobrolv’skiy, 1991). A fundamentaçãode tais estudos é que cada solo apresenta uma assinatu-ra espectral, decorrente de seus atributos, e que apre-senta informações em determinado comprimento deonda ou em todo o espectro eletromagnético.

A possibilidade de que a resposta espectral possaauxiliar na discriminação de unidades de solos baseia-se no pressuposto de que cada classe apresenta carac-terísticas que a difere das demais e, portanto, étaxonomicamente individualizada. Como a respostaespectral dos solos também é uma característicaindividualizadora, supõe-se que o uso desta variável possaseparar as classes de solos e, portanto, auxiliar nos le-vantamentos pedológicos.

A análise discriminante apresenta-se como um ins-trumento para levantamentos dos solos (Webster &Oliver, 1990). Webster & Burrough (1974), Demattê &Garcia (1999) e Demattê & Nanni (2003) têm demons-trado a possibilidade de predizer classes de solos e suaseparabilidade na paisagem por meio da análisemultivariada.

Levantamentos pedológicos e dos atributos dos solostêm sido realizados com a contribuição da análisediscriminante (Sinowski & Auerswald, 1999; Kravchenkoet al., 2002).

Entretanto, uma desvantagem da análise discriminanteno mapeamento das propriedades dos solos, apontadapor Kravchenko et al. (2002), é que a localizaçãogeoespacial das suas propriedades não pode ser utiliza-da no desenvolvimento de modelos preditores. Segundoesses autores, a combinação da capacidade de predi-ção da análise discriminante com os métodosgeoestatísticos pode tornar-se muito valiosa para omapeamento e o manejo ambiental.

A distribuição das propriedades dos solos na paisa-gem, segundo Sinowski & Auerswald (1999), é contro-lada pelo relevo, material parental, clima, organismos etempo.

O objetivo deste trabalho foi desenvolver e avaliarum método para a discriminação das classes de solos apartir de suas respostas espectrais, utilizando-se umsensor em laboratório.

Material e Métodos

Localizada ao sudoeste do Estado de São Paulo, aárea de estudo encontra-se delimitada pelas coordena-das geográficas 23º0'31,37"–22º58'53,97" de latitude sule 53º39'47,81"–53º37'25,65" de longitude oeste, na re-gião denominada depressão paleozóica (Instituto de Pes-quisas Tecnológicas, 1981). A área está situada na ba-cia hidrográfica do Rio Tietê, margeada pelo Rio Capivari,com uma extensão de aproximadamente 198 ha, dosquais foram trabalhados 185 ha; o seu perímetro é de11.045,80 m. O clima da região apresenta inverno secoem que a temperatura média do mês mais frio é inferiora 18oC, e a do mês mais quente ultrapassa 22oC, sendoclassificado como Cwa, segundo Köppen.

Geologicamente, a área situa-se sobre a FormaçãoItararé, pertencente ao Grupo Tubarão. Esta formaçãoapresenta litologias predominantes areníticas, degranulação heterogênea, com presença de arenitosfeldspáticos e arcósios. Argilitos e folhelhos de colora-ções variadas, desde o cinza claro ao escuro,complementam a litologia desta formação e são de ocor-rência freqüente. A região possui elementos eruptivosda Formação Serra Geral, compreendendo corposintrusivos de mesma composição que os basaltostoleíticos.

Na execução dos trabalhos cartográficos, utilizou-seo Sistema de Processamento de InformaçõesGeocodificadas – SPRING (Instituto Nacional de Pes-quisas Espaciais, 1999), com múltiplas funções ealgoritmos para processamento de informaçõesgeorreferenciadas. Neste sistema foi implementado umbanco de dados para a incorporação das informaçõesgeoespacializadas advindas de cartas planialtimétricasna escala de 1:10.000, bem como das informaçõescoletadas no campo por meio de GPS e de imagensorbitais, com a finalidade de produção de um mapa desolos na escala 1:25.000.

O levantamento pedológico da área foi realizadoutilizando-se a abordagem sintética e analítica, paradelimitação das unidades de paisagem e estabeleci-mento das classes de solos. Na abordagem sintética,foi alocado um ponto de tradagem por ha (Wolkowski& Wollenhaupt, 1994) num total de 185 pontos, de-marcados em forma de grade com 100 m de aresta,conforme Embrapa (1996). Inicialmente foram esta-belecidos os pontos de observação e tradagens e emseguida foi realizada a delimitação das unidades demapeamento. Cada ponto teve sua posição



georreferenciada por meio do sistema DGPS(Diferential Global Positioning System).

Na abordagem analítica, os limites entre as unidadesfisiográficas foram estabelecidos pela interpretação vi-sual da imagem orbital, traçando-se os limites no siste-ma Spring, após sucessivas combinações de algoritmose filtros para melhoria da qualidade visual.

Para melhor estabelecimento dos limites cartográficosentre as unidades, foi gerada uma carta clinográfica pelofatiamento de um modelo numérico de terreno construídoa partir das curvas de nível contidas nas cartasplanialtimétricas. As classes de declividade seguiram osintervalos preconizados pela Embrapa (1996).

Em cada ponto alocado no campo foram coletadasamostras de solos, representando os horizontes diagnós-ticos de superfície e subsuperfície. As profundidades decoleta variaram para a superfície de 0 a 0,20 m, en-quanto para o horizonte diagnóstico de subsuperfície,quando presente, foi de 0,80 a 1,00 m.

As amostras coletadas foram enviadas ao laboratóriopara análises físicas, químicas e mineralógicas sendo, ini-cialmente, secadas em estufa de ventilação forçada a 50ºCpor 48 horas e peneiradas em peneira de 2 mm.

Os grupamentos texturais dos solos foram realizadosconforme Embrapa (1999). Na determinação dos teo-res de areia total, silte e argila, utilizou-se o método dodensímetro (Camargo et al., 1986). Matéria orgânica(MO), acidez ativa e de reserva, pH e capacidade detroca catiônica (CTC) foram determinados segundoEmbrapa (1997). Bases trocáveis (cálcio, magnésio,potássio) (S), e os valores de saturação por bases (V%)e saturação por alumínio (m%), foram determinados con-forme Raij & Quaggio (1989). Os teores de Fe total, Sie Ti foram determinados por meio de ataque sulfúricoconforme Embrapa (1997). A cor foi determinada pelacarta de cores Munsell.

As classes de solos foram definidas após análise dasamostras laboratoriais e da observação das caracterís-ticas dos perfis de 18 trincheiras abertas em pontos re-presentativos das unidades fisiográficas, sendo um per-fil representativo por classe de solo encontrado.A descrição e coleta do material, e o método de traba-lho de campo seguiram os critérios estabelecidos porLemos & Santos (1996). Em seguida, foram definidasas classes de solos conforme o Sistema Brasileiro deClassificação de Solos (Embrapa, 1999), obtendo-se,desta forma, um mapa detalhado na escala 1:25.000 daárea de estudo.

As amostras de terra fina secadas em estufa, nasduas profundidades de coleta, foram acondicionadas emplacas de Petri, com 9 cm de diâmetro, nas quais reali-zou-se leitura radiométrica, utilizando-se, em um ambi-ente controlado, o sistema IRIS – Infra-Red IntelligentSpectroradiometer – com uma resolução espectral de2 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 con-forme Valeriano et al. (1995), resultando no fator dereflectância bidirecional espectral, que expressa a ra-zão entre o fluxo radiante espectral refletido pela super-fície de um corpo e o refletido por um padrão de refe-rência, sob mesmas condições de iluminação e geome-tria de leitura. Para cada amostra de solo, foram reali-zadas leituras em triplicata, rotacionando-se a placa dePetri em 90 graus. A resposta espectral de cada amos-tra refere-se à média das três leituras.

Em cada curva espectral registrada em laboratório,foram definidas 22 bandas espectrais ou intervalos decomprimentos de onda de duas maneiras. A primeirarefere-se à média dos valores de reflectância em umcerto intervalo de comprimento de onda, em diferentespontos do espectro analisado (400–2500 nm). Essa se-leção baseou-se principalmente na observação das cur-vas espectrais médias de todos os solos, bem como naobservação de bandas selecionadas por Henderson et al.(1992), Madeira Netto (1993, 1996) e Demattê & Garcia(1999), e estão indicadas na Figura 1. A segunda refe-re-se aos valores de fator de reflectância, caracteriza-dos por uma forte inflexão por se tratar de uma bandade absorção de elementos do solo já descritos e bemcaracterizados, 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, 18e 20, respectivamente (Figura 1).

Além das bandas espectrais, foram selecionados, paracompor o banco de dados espectrais, os valores obtidospela diferença entre o fator de reflectância da borda e ovalor de bandas de absorção do espectro eletromagné-tico utilizado (Figura 1). Neste caso, foram seleciona-dos 13 valores representando esta diferença de altura.

Na análise estatística dos dados foi utilizado o pro-grama SAS Institute (1992). A matriz de dados utilizadana análise estatística foi composta por 22 bandas e 13diferenças de altura do fator de reflectância, para asduas camadas de solo amostradas em cada ponto deamostragem, num total de 70 variáveis.

A fim de estabelecer as variáveis preditoras, foiutilizado inicialmente o procedimento STEPDISC do



sistema SAS para a seleção entre as 22 bandas e 13diferenças de alturas, que poderiam ser adequadamen-te utilizadas. Para que não houvesse nenhuma tendên-cia da análise, foi realizado o procedimento de avalia-ção de colinearidade das variáveis, descartando-se a pos-sibilidade de duas ou mais variáveis estarem se sobre-pondo e, portanto, interferirem no processo discriminatóriodas classes de solos analisadas.

Na diferenciação e caracterização dos solos, foirealizada a análise discriminante, com o objetivo de

desenvolver e validar o método para determinaçãoda classe do solo a partir de seus dados espectraisou características analíticas. Neste caso, a classe desolo avaliada torna-se função de suas respostasespectrais, ou seja: classe de solo = ∫ (bandasespectrais e alturas de inflexão).

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

Figura 1. a) Representação das 22 bandas escolhidas pela interpretação visual de uma série de curvas espectrais obtidas emlaboratório; b) Representação gráfica da determinação da altura da curva espectral de um solo hipotético (x). H10: diferençaentre o fator de reflectância da borda e do vale de uma banda de absorção no intervalo de 2.120 e 2,206. A região em cinzacorresponde a um intervalo não utilizado na análise.



Resultados e Discussão

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

Conseqüentemente, presume-se que ocorra, apenaspela condição geológica, o surgimento de várias classesde solos. Numa área de 185 ha foram observadas, utili-zando-se a abordagem sintética para levantamentospedológicos, 18 classes de solos: Argissolo Vermelho-Amarelo distrófico (PVAd); Argissolo Vermelho-Ama-relo eutrófico textura arenosa/média (PVAe1); ArgissoloVermelho-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); CambissolosHáplicos Tb distróficos e alumínicos, substratoretrabalhamento de arenito e saprolito de folhelho daFormação Itararé (CD1); Cambissolos Háplicos Tbeutróficos típicos, substrato diabásio (CE3); CambissolosHáplicos Tb eutróficos típicos, substrato regolito doretrabalhamento de arenito e diabásio (CE1);Chernossolo Argilúvico férrico saprolítico (MTfr);Latossolo Vermelho eutrófico típico (LVe); LatossoloVermelho-Amarelo distrófico típico (LVAd); LatossoloVermelho-Amarelo eutrófico típico (LVAe); NeossoloLitólicos eutróficos (Rle1); Neossolo Litólicos eutróficoschernossólicos e típicos (Rle2); Neossolos Flúvicos Tbdistróficos típicos (RUd); Nitossolo Vermelhoeutroférrico (NVef1); Nitossolo Vermelho eutroférricolatossólico (NVef2).

A área de estudo é dominada principalmente porArgissolos, 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 clas-ses de solos, independentemente do número de indiví-duos para cada classe. Presumia-se que as classes quecontivessem um número pequeno de indivíduos apre-sentassem menor amplitude ou variabilidade de atribu-tos. Na área de estudo foram identificados, por exem-

plo, 31 indivíduos na classe PVAe1, enquanto na classeRle2 foram encontrados apenas dois indivíduos.

Das 70 variáveis estabelecidas, 39 foram selecionadaspelo procedimento STEPDISC do SAS Institute (1992)ao nível de significância de p<0,001, cujas equaçõesdiscriminantes, em cada classe de solo, obtidas pela aná-lise de regressão com os dados de reflectância no sensorIRIS 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 valoresde BD1, BD2, ..., B22 correspondem às faixas de com-primento de onda selecionadas, e os valores de H1, H2,..., H13 correspondem às magnitudes das profundida-des das bandas de absorção selecionadas para as ca-madas superficial (HA) e subsuperficial (HB) dos pon-tos amostrados. Na utilização dos dados das Tabelas 1e 2, para um solo desconhecido, seus dados dereflectância deverão ser aplicados em todas as equa-ções das Tabelas 1 e 2. Assim, o solo cujo valor final foro maior valor resultante da equação terá maior probabi-lidade de ser da mesma classe que o do solo da equa-ção. Isso torna viável a caracterização de solos de dife-rentes regiões do país, auxiliando numa identificação pre-liminar mais rápida, conforme Coleman & Montgomery(1990), Demattê (1999) e Demattê & Garcia (1999).Segundo Gerbermann & Neher (1979), com uma cole-ção de dados de forma automatizada, pode-se consumirmenos tempo na produção de mapas de solos do quecom os métodos convencionais.

Houve porcentagem de acerto superior para a maio-ria dos solos (Tabela 3). Por exemplo, todas as amos-tras do NVef1 apresentaram valores semelhantes, nãosendo confundido com nenhum outro solo.

Os maiores erros foram encontrados nas classesLVAe, PVAd e NVef2, com 22%, 25% e 25%, respec-



tivamente. Mesmo assim, das nove amostras do LVAe,duas foram classificadas como LVe, ou seja, pertencen-tes ao grande grupo dos Latossolos. No caso do PVAd,das quatro amostras analisadas uma foi classificada comoPVAe2, também pertencente ao grande grupo dos

Argissolos Vermelho-Amarelos. Quando o número de in-divíduos de uma mesma classe é pequeno, como é o casodo PVAd, com quatro amostras, o erro de apenas umaclasse leva a um erro de 25%, uma vez que cada amostrarepresenta tal porcentagem na população de sua classe.

Tabela 1. Equações discriminantes para os solos das classes Argissolo Vermelho-Amarelo distrófico (PVAd), Argissolo Verme-lho-Amarelo eutrófico textura arenosa/média (PVAe1), Argissolo Vermelho-Amarelo eutrófico abrúptico (PVAe3), ArgissoloVermelho-Amarelo eutrófico textura média/argilosa (PVAe2), Cambissolos Háplicos Ta eutróficos, lépticos, substrato folhelhosda 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 eutróficostípicos, substrato diabásio (CE3) e Cambissolos Háplicos Tb eutróficos típicos, substrato regolito do retrabalhamento dearenito e diabásio (CE1).

Variáveis Classe de solos

ConstanteBD21_HABD17_HAH7_HAH1_HAH4_HBH3_HBBD22_HBH3_HABD19_HBBD4_HBBD14_HAH6_HBBD21_HBH12_HBBD13_HBBD12_HBBD19_HABD7_HBH1_HBH11_HBH11_HABD7_HABD6_HABD5_HABD1_HBH2_HBBD8_HABD13_HABD9_HABD11_HABD17_HBH10_HBBD16_HBBD8_HBBD11_HBBD10_HBH13_HBBD15_HBH9_HB

PVAe2

-117,934838,0981

-2030-1008-2419

24,71626505,4276-307,872-440,412-934,282-424,022

-5628-1850

-111,643989,3279

1089842,794

62,9575650,01237

13531632

-1954-1668

417,20861030

738,3406705,6999

-4246656635771034

-32,0975-18151478

-1741-187322852431

-1173-53,0261

PVAe3

-115,607838,8983

-1802-1035-2839

-83,0608561,6654

-432,74-463,619

-1215-199,309

-4700-2053

270,236615811384

969,016-134,60254,89223993,2659

1510-2022-2151

407,94951157

360,0951493,7059

-3244526029721387

-1041-26842243

-2163-196230191628

-1363290,8234

PVAe1

-147,9551737

-3123-445,946

-2570213,5903673,3343

-2327-283,313-452,111-775,369

-6161-17141011

297,350913661270

-857,499291,8822

21341643

-2483-1695

410,3619116711691092

-5185691345721351

-1930-35215989

-3839-158832991236

-3614-1264

CE1

-141,287879,9012

-2500-945,696

-342985,96642183,8185-841,852-448,534-898,969-194,685

-3803-28241347

946,814715801742

328,606237,8821876,5137

1127-2255-2708

307,23441404

557,8403572,8818

-13784052223612431893

174,0958-2158-3005-227034142147

-1418336,2893

CE3

-121,8871250

-1771-1417-3244

-226,073498,2135

2131-694,49

123,3108-14,8129

-3722-642,981

-38452818

279,2524539,8908

-1230663,5141448,9485

2252-1813-2972

833,5287851,8934

-147,8482,49059

-13883772253313924213

-124,218-2357

-289,767-251312293424

-173,83225,45047

CD1

-123,5421310

-2787-232,526

-1833-45,3036287,8408

-2363-524,072-508,542-654,013

-4271-11302214

-1009990,778

1430-779,807-501,865

13981722

-3301-534,008-450,746

116013001038

-3707556822471604

-474,074-14723720

-1857-199226962141

-3956-1193

CD2

-140,5441556

-3423-199,644

-2080183,0857522,5492

-3332-368,537136,3586-485,625

-5976-17231449

-373,90517331269

-240,607695,3846

15541759

-2288-1479

214,98131166

642,6556736,881

-4834682943021101

-1429-33415102

-4146-17603589

765,7276-3591-1004

CE2

-92,8803582,2013

-2304-396,182

-307071,92888222,174

-444,007-347,326

-33,19561,50103

-3800-1195

-140,69915132145

511,5246635,1644310,7628529,356

248,9413-2392-1474

96,127191101

47,24555171,0541

-198941082580

671,2427651,3015

-769,52-655,317

-2406-193528451662

-999,94712,8504

PVAd

-137,649984,3753

-3000-680,828

-2317-258,185462,0153

-1732-592,677

-1602-375,901

-6005-25921849

-84,9627684,2916

1239671,5504-117,588

10251945

-1978-1400

265,3121098

489,7308499,6189

-4997711340321033

-2678-32315229

-2024-159230851419

-2467-525,017



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

Para confirmar a proposta do trabalho, foi realizadauma nova análise discriminante com apenas 10 classesde solos, mas com maior número de observações. En-

tende-se que classes com número reduzido de indivídu-os podem não contemplar a variabilidade existente naclasse, ou possuir características muito próximas de outraclasse, não possibilitando assim uma análise segura econfiável. Além disso, classes com pequeno número deobservações elevam o erro global, uma vez que se umaentre quatro observações, dentro de uma determinada

Tabela 2. Equações discriminantes para os solos das classes Chernossolo Argilúvico férrico saprolítico (MTfr), LatossoloVermelho eutrófico típico (LVe), Latossolo Vermelho-Amarelo distrófico típico (LVAd), Latossolo Vermelho-Amarelo eutróficotípico (LVAe), Neossolo Litólicos eutróficos (Rle1), Neossolo Litólicos eutróficos chernossólicos e típicos (Rle2), NeossolosFlúvicos Tb distróficos típicos (RUd), Nitossolo Vermelho eutroférrico (NVef1) e Nitossolo Vermelho eutroférrico latossólico(NVef2).

LVAd

-145,696833,2476

-3384-56,7675

-2395238,0039433,2563

-2096-507,263-53,3813-815,715

-6553-1096

605,9974392,2386

2075754,0108788,6723267,1998

18871360

-2736-998,827119,4147

116612321087

-591783424784

807,51141171

-13021950

-3302-228135131323

-3138-454,288

Variáveis Classe de solos

ConstanteBD21_HABD17_HAH7_HAH1_HAH4_HBH3_HBBD22_HBH3_HABD19_HBBD4_HBBD14_HAH6_HBBD21_HBH12_HBBD13_HBBD12_HBBD19_HABD7_HBH1_HBH11_HBH11_HABD7_HABD6_HABD5_HABD1_HBH2_HBBD8_HABD13_HABD9_HABD11_HABD17_HBH10_HBBD16_HBBD8_HBBD11_HBBD10_HBH13_HBBD15_HBH9_HB

LVAe

-107,236761,5074

-2256-826,775

-327460,13828427,2112

126,426-457,273-670,07

-182,284-4015

-926,225-228,208

11831211

769,9483568,239870,30261791,9243924,0077

-1853-2145

-227,7531506

538,7065513,0204

-2246399529481211

22,89507-10021627

-1644-231625731478

-1900181,3424

LVe

-87,2789618,061

-1823-1129-2814

191,4073423,7331204,831435,01592-342,404-458,476

-4743-1332

10,1951715311915

918,9763219,1674128,9645

1392354,5636

-2282-1510

-272,27314821006

944,9155-284954802636

926,1103960,1498-224,594

-1259-2474-183023971633

-1198488,5963

MTfr

-103,334-319,683-4,78856

-1408-3249

-142,349356,0326

4229-574,923

-1191-90,7645

-4251-1498-397638871710

4,12657543,6856-107,425705,0196

1749-1885-1237

112,1591924,3791127,4689291,536

-244748032334

634,43411434

-963,764-2877

-178,993-19531616339411341907

NVef2

-97,89971999

-47261027

-3177431,2056284,1523

-2581435,7295569,9429-182,403

-4039-23282635

953,46112064

895,4892-834,313613,2787

1259147,6091

-3143-1740

-182,2891666

690,4268763,6093

-188945753891

182,6868335,5337-576,888

-2647-3556-10312290

-336,144-68,1854712,6642

NVef1

-118,462348,0606

-2726-1285-2973

416,3631605,717830,78964-545,638354,1901-480,233

-4182-1765

-262,01717613445

545,32431422

527,10691334

-26,4157-3286

-119,435-171817381170

923,9137-284851832332104936532187

-5075-3615-268437341041

-13281677

RUd

-172,7082143

-4880-1077-2734

-48,1645909,9048

-3993-231,123-769,214-506,654

-8152-20831900

-106,3762458

672,5182-554,364770,8665

18533321

-4104-1256

-275,5191690

286,4206578,4571

-7532983056032220

-1654-51595853

-3974-15233390

350,3098-3229

-428,527

Rle2

-198,526-15439574

-1067-4203

192,5503920,7353

9085-607,686

-1830-616,048

-13212020

-91107531

949,8501-948,952

-5940-139,989

14752012

-439,21-46612757

568,58031024

820,9022-18911386

437,79352911

-279,064-42403250

781,6727-424128086544

-678,411329

Rle1

-100,495532,2139

-2215-906,99

-2467-150,939-24,8362573,9047-551,834-347,508191,8791

-5261-1884-1919

231,40833442

32,86978259,6635-262,126255,6354

2321-2809

711,2556-14441442

-133,69986,43352

-491968074256

35,29237-1030-2713

-554,022-1060-146720341624

450,90752764



classe, por exemplo, não for da classe em questão, geraum erro de 25%, sobressaindo-se na análise global dosresultados. Das 18 classes encontradas, apenas 10 con-tinham número de observações maior que sete: RUd,MTfr, CD1, CE2, CD2, LVe, LVAe, PVAe1, PVAe2 eNVef1. Como foram mantidos representantes de todosos grandes grupos de solos originalmente estabelecidos,acredita-se que o prejuízo pela exclusão das demais clas-ses 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 classesCD1 e CD2 com as classes PVAe2 e PVAe1, respecti-vamente. A classe CD1 refere-se aos solos derivadosde folhelho. O PVAe2 refere-se aos solos com texturamédia/argilosa derivados do retrabalhamento entre oarenito e o folhelho ou diabásio. Como em alguns pon-tos da área observaram-se Argissolos pouco profundos,é justificável que possa haver confusão entre essas duasclasses. O mesmo aconteceu com as classes CD2 ePVAe1. O CD2 refere-se a solos cuja diferença textural

Tabela 3. Análise discriminante, número de observações e porcentagem de classificação dos solos, dentro de cada classe,utilizando-se as 39 variáveis para todas as classes da área de estudo.

(1)O erro global médio foi de 9,29%. (2)Não existe.

Tabela 4. Análise discriminante, número de observações e porcentagem de classificação dos solos, dentro de cada classe,utilizando-se as 39 variáveis para as 10 classes mais populosas da área de estudo.

(1)O erro global médio foi de 6,56%. (2)Não existe.

Classe Total de amostras Erro(1)

RUdMTfrCE2CD1CD2LVeLVAePVAe1PVAe2NVef1

(%)

100,0092,86

100,0085,7186,6790,0088,8990,32

100,00100,00

111396

13188

281614

Amostras

0101221300

1114

97

1520

9311614

Solo confundido

-(2)

LVe-

PVAe2PVAe1LVAeLVe

RUd(1), CD2(1), PVAe2(1)--

(%)

0,007,140,00

14,2913,3310,0011,11

9,680,000,00

Correto

Amostras

Classe Total de amostras Erro(1)

RUdMTfrCE1CE2CE3CD1CD2LVeLVAeLVAd

PVAe1PVAe2PVAe3PVAdRle1Rle2NVef1Nvef2

(%)

100,0092,86

100,0088,89

100,0085,7186,6790,0077,7883,33

83,8793,75

100,0075,00

100,00100,00100,0075,00

11135836

131875

26154352

143

Amostras

0101012221

51010001

1114

5937

1520

96

3116

4452

144

Solo confundido

-(2)

LVe-

NVef2-

PVAe2PVAe1LVAeLVeCD2

RUd(1), CD2(1), PVAd(2)PVAe2(1)

PVAd-

PVAe2---

LVe

(%)

0,007,140,00

11,110,00

14,2913,3310,0022,2216,67

16,136,250,00

25,000,000,000,00

25,00

Correto

Amostras



entre os horizontes A e B não foi suficiente paracaracterizá-los como Argissolos, com textura areia/mé-dia, como é o caso dos PVAe1. Logo, neste caso, tam-bém é justificável certa confusão entre estas classes.

O erro global da classificação apresentou valores maisbaixos do que o caso anterior, com 6,56%, o que já eraesperado (Tabela 4). Este valor apresentou-se próximoao observado por Demattê (1995, 1999) e foi inferior àsvariações encontradas por Coleman & Montgomery(1990).

Para reforçar a análise discriminante e o método pro-posto, realizou-se uma simulação em que 80% dos pon-tos amostrados foram utilizados para gerar um modelodiscriminante que seria testado pelos 20% restante dosdados. A escolha das proporções foi aleatória, ou seja,a programação no sistema SAS escolheu aleatoriamen-te os componentes que fariam parte da análisediscriminante (80%) e aqueles que seriam utilizados paratestar os modelos (20%). Desse modo, o procedimentofoi testado 50 vezes, ou seja, o sistema escolheu aleato-riamente 80% dos pontos amostrados para geração domodelo de discriminação e 20% para teste por 50 vezesconsecutivas.

Na simulação, foram utilizadas apenas as 10 classesanteriormente discutidas, uma vez que o erro médio globalsituou-se em valores inferiores, quando foram utilizadas

Tabela 5. Número de observações e porcentagem de classificação dos solos dentro de cada classe, utilizando-se as 39 variáveispara as 10 classes mais populosas da área de estudo, e utilizando-se 80% das observações que geraram o modelo.

(1)Freqüência total em que a classe entra no modelo em simulação. (2)Freqüência de acerto em relação à própria classe; a freqüência total para todasas classes foi de 5.872. (3)Porcentagem de acerto na própria classe.

todas as classes de solos encontradas na área de estudo.Realizada a simulação, o sistema forneceu como resultan-te os dados que compõem a Tabela 5, na qual é mostradaa porcentagem de classificação dos dados dentro do mo-delo, ou seja, os próprios indivíduos que estabeleceram omodelo foram testados por ele, e a porcentagem de classi-ficação dos dados ao final das 50 simulações.

Os resultados confirmaram a expectativa apresenta-da, com possibilidade do uso da reflectância dos solospara sua discriminação e conseqüente classificação (Ta-bela 5). Todas as classes tiveram percentual acima de82% de acerto, com um erro global de 8,8%.Na simulação, 80% das freqüências esperadas foramaltamente significativas pelo teste do Qui-quadrado(p<0,001). A correlação entre as classes observadas eestimadas foi aleatoriamente escolhida gerando ummodelo a cada simulação. Em cinqüenta simulações, asobservações participaram do modelo numa freqüênciatotal de 5.872 tentativas. Destas, 516 vezes o modeloclassificou a observação erroneamente (8,8%) e 5.356vezes o modelo acertou a classe a que se destinava aobservação (91,2%). O modelo apresentou r2 de 93,9%,definido pelo coeficiente de contingência.

Ao utilizar-se 20% das observações selecionadas aoacaso para teste do modelo, observou-se que a porcen-tagem de acerto diminuiu, com conseqüente elevação

Classe CE2RUd MTfr CD1 CD2 LVe LVAe PVAel NVefl Total(1)PVAe2

RUd

MTfr

CD1

CE2

CD2

LVe

LVAe

PVAe1

PVAe2

NVef1

0039

6,7700

35899,17

000000000000

434(2)

99,31(3)

00000013

2,12000040

3,151

0,1600

00

45378,65

002

0,55000000000000

0000

24285,51

00000000000000

30,69

000000

53687,3

000090

7,080000

0047

8,16001

0,2800

76797,09

6417,63

000000

002

0,352

0,71000023

2,91299

82,37000000

0000000065

10,590000

109285,92

10,16

00

0035

6,0800000000000000

545100

437

576

283

361

614

790

363

1271

632

545

000039

13,780000000049

3,86630

99,6800



da porcentagem do erro. A classe com melhor desem-penho foi a NVef1 com 98% de acerto (Tabela 6). A demenor desempenho foi a classe CD2, com cerca de 43%de acerto, e foi a que apresentou coincidência com mai-or número de outras classes. Ela destinguiu-se das de-mais, pois os pontos amostrados não apresentaram re-quisitos de gradiente textural para enquadrar-se comoArgissolos ou qualquer outro atributo que satisfizesseos requisitos para a sua classificação como Latossolos.Os solos pertencentes à classe CD2 apresentaram-semorfologicamente semelhantes aos Latossolos de tex-tura média (LVAd). Superficialmente são também se-melhantes aos Argissolos de textura arenosa. A coinci-dência entre as classes era presumível. Assim, na áreade estudo, a classe CD2 coincidiu com quase todos ossolos que apresentaram, em sua constituição, maior con-tribuição da fração areia.

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

Algumas coincidências são relativamente baixas,como é o caso da classe RUd ser classificada comoCD1 em quatro tentativas num total de 126, perfazendoum erro de 2,8%.

Em 50 simulações, os indivíduos de cada classe par-ticiparam do modelo numa freqüência total de 1.428 ten-tativas. Destas, o modelo classificou 484 vezes a ob-servação erroneamente, perfazendo um erro global de33,9%, e 944 vezes o modelo acertou a classe a que sedestinava a observação (66,1%). Tal erro, decorren-te de características semelhantes entre os solos, épassível.

O modelo apresentado foi altamente significativo peloteste do Qui-quadrado (p<0,001). A correlação entre asclasses observadas e estimadas pelo modelo apresen-tou r2 de 89,4%, definido pelo coeficiente de contingên-cia.

Apesar do aumento do erro, observado entre a análi-se 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 foramsatisfatórios, uma vez que a área de estudo apresentagrande heterogeneidade pedogenética. Mesmo assim,

Tabela 6. Número de observações e porcentagem de classificação dos solos dentro de cada classe, utilizando-se as 39 variáveispara as dez classes mais populosas da área de estudo, utilizando-se 20% das observações para teste do modelo gerado.

(1)Freqüência total em que a classe entra no modelo em simulação. (2)Freqüência de acerto em relação à própria classe; a freqüência total para todasas classes foi de 1.428. (3)Porcentagem de acerto na própria classe.

Classe CE2RUd MTfr CD1 CD2 LVe LVAe PVAel NVefl Total(1)PVAe2

RUd

MTfr

CD1

CE2

CD2

LVe

LVAe

PVAe1

PVAe2

NVef1

00

86,45

00

5056,18

00

10,48

00

41,43

00

00

73(2)

64,6(3)

00

45,97

00

118,09

00

00

269,32

127,14

00

00

9475,81

00

1213,48

00

00

00

00

00

00

00

00

4161,19

00

1511,03

00

00

62,15

84,76

00

2017,7

00

68,96

00

5842,65

00

00

6422,94

42,38

00

00

1411,29

00

77,87

00

18186,19

4450,57

00

74,17

31,94

21,77

00

22,99

77,87

00

2411,43

4248,28

00

137,74

00

1311,5

00

00

00

4331,62

00

00

13949,82

105,95

00

00

86,45

00

77,87

00

41,9

11,15

00

00

15298,06

113

124

67

89

136

210

87

279

168

155

54,42

00

1420,9

66,74

96,62

00

00

4014,34

11467,86

00



houve 66% de acerto na classificação dos solos usadospara testar o modelo. Portanto, parte dos dados aleato-riamente escolhidos para avaliar as classes puderamclassificá-las por meio de equações discriminantesadvindas de respostas espectrais.

Mesmo sem atingir valores equivalentes aos apre-sentados para os dados que geraram o modelo, há pers-pectivas na possibilidade de levantamentos pedológicospor meio da análise discriminante, como também desta-cado por Webster & Burrough (1974), uma vez que ométodo abordado pode, com segurança, estabelecer li-mites entre diferentes classes de solos. O método con-firma, nas suas limitações, que os solos podem ser dis-criminados pela sua reflectância, devido às interaçõesfísicas com a energia eletromagnética.

Conclusões

1. A análise estatística aplicada à resposta espectraldas amostras obtidas no laboratório permite a discrimi-nação dos solos.

2. A análise discriminante, utilizando-se todas as ob-servações, apresentou índices de acerto com valoresacima de 80% dentro da classe de solo avaliada;o acerto global é de 90,71%, quando se utilizam todasas classes para geração dos modelos de análise, e de93,44%, quando se utilizam as 10 classes com maiornúmero de observações.

3. O teste estatístico simulado é eficiente para a aná-lise discriminante, com taxa de acerto médio acima de91%, e erro global de 8,8%.

4. A análise apresenta redução da qualidade do mo-delo quando aplicado para um subconjunto de 20% dasamostras, com erro global de 33,9%.

Agradecimentos

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

Referências

AFIFI, A.; CLARK, V.A.; MAY, S. Computer-aided multivariateanalysis. Boca Raton: Chapman & Hall, 2004. 419p.

ANDRONIKOV, V.L.; DOBROLV’SKIY, G.V. Theory and meth-ods for the use of remote sensing in the study of soils. MappingSciences & Remote Sensing, v.28, p.92-101, 1991.

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

COLEMAN, T.L.; MONTGOMERY, O.L. Assessment of spectralcharacteristics for differentiating among soil categories in the south-eastern United States. Photogrammetric Engineering and Re-mote Sensing, v.52, p.1659-1663, 1990.

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

DEMATTÊ, J.A.M. Relações entre dados espectrais ecaracterísticas físicas, químicas e mineralógicas de solosdesenvolvidos de rochas eruptivas. 1995. 265p. Tese (Doutorado)- Escola Superior de Agricultura Luiz de Queiroz, Piracicaba.

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

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

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

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

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

EMBRAPA. Serviço Nacional de Levantamento e Conservação deSolos (Rio de Janeiro, RJ). Normas e critérios para levantamentospedológicos. Rio de Janeiro, 1996. 94p.

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

GERBERMANN, A.H.; NEHER, D.D. Reflectance of varying mix-tures of a clay soil and sand. Photogrammetric Engineering andRemote Sensing, v.45, p.1145-1151, 1979.

HENDERSON, T.L.; BAUMGARDNER, M.F.; FRANZMEIER,D.P.; STOTT, D.E.; COSTER, D.C. High dimensional reflectanceanalysis of soil organic matter. Soil Science Society of AmericanJournal, v.56, p.865-872, 1992.

INSTITUTO DE PESQUISAS TECNOLÓGICAS. Divisão deMinas e Geologia Aplicada. Mapa geológico do Estado de SãoPaulo. São Paulo, 1981. Escala 1:1000.000.

INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Tuto-rial Spring: spring básico. São José dos Campos, 1999.

KRAVCHENKO, A.N.; BOLLERO, G.A.; OMONODE, R.A.;BULLOCK, D.G. Quantitative mapping of soil drainage classes us-ing topographical data and soil electrical conductivity. Soil ScienceSociety of America Journal, v.66, p.235-243, 2002.



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

MADEIRA NETTO, J.S. Étude quantitative des relationsconstituants minéralogiques - réflectance diffuse des latosolsbrésiliens: application à l’utilization pédologique des donéessatellitaires TM (région de Brasília). 1993. 236p. Doctorat (Thése)- Université Pierre et Marie Curie, Paris.

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

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

SAS INSTITUTE (Cary, Estados Unidos). SAS software: user’sguide, version 6.0. Cary, 1992. 291p.

SINOWSKI, W.; AUERSWALD, K. Using relief parameters in adiscriminant analysis to stratify geological areas with different spa-tial variability of soil properties. Geoderma, v.89, p.113-128, 1999.

STONER, E.R.; BAUMGARDNER, M.F. Characteristics varia-tions in reflectance of surface soils. Soil Science Society of AmericaJournal, v.45, p.1161-1165, 1981.

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

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

WEBSTER, R.; BURROUGH, P.A. Multiple discriminant analysisin soil survey. Journal of Soil Science, v.25, p.120-134, 1974.

WEBSTER, R.; OLIVER, M.A. Statistical methods in soil andland resource survey. Oxford: Oxford University Press, 1990. 316p.

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

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

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

Documents