Aplicação do Algoritmo de k-Means na Visualização de Mapas Digitais de Elevação de Solo na Região do Recôncavo Baiano

Gabrielle S. Pereira; Felipe Henriques; Renato Mauro; Diego Brandão; Marcos B. Ceddia

doi:10.5753/eri-rj.2021.18778

Gabrielle S. Pereira CEFET/RJ
Felipe Henriques CEFET/RJ
Renato Mauro CEFET/RJ
Diego Brandão CEFET/RJ
Marcos B. Ceddia UFRRJ

DOI: https://doi.org/10.5753/eri-rj.2021.18778

Resumo

Os impactos econômicos devido à degradação do solo são cada vez mais claros. Dados da Organização das Nações Unidas (ONU) mostram que devido a compactação do solo, fenômenos como enchentes e secas são cada vez mais comuns no mundo. Dessa forma, a análise dos dados de solo é fundamental para o planejamento ambiental, produção agrícola, uso da terra e bem estar da população. O mapeamento digital de solos consiste em um conjunto de técnicas que facilitam tais análises, agregando informações oriundas dos experimentos laboratoriais com informações de imagens de satélite e drones, com técnicas matemáticas para gerar modelos descritivos do solo mais precisos. Neste contexto, este trabalho demonstra uma aplicação de mapeamento digital de solos, especificamente o algoritmo de k-Means é utilizado na construção de um modelo digital de elevação da região do Recôncavo Baiano.

Palavras-chave: Visualização de Dados, Mapas Digitais, Aprendizado de Máquina, k-Means

Referências

Benedetti, Marcelo, e. a. (2008). Representatividade e potencial de utilização de um banco de dados de solos do brasil. Revista Brasileira de Ciência do Solo, 32:2591–2600.

Borra, S., Thanki, R., Dey, N. (2019). Satellite image analysis: clustering and classification. Springer.

Burrough, P. A. (1986). Principles of geographical information systems for land resources assessment. clarendon.

Burrough, P.A., McDonnell, R.A., Lloyd,C.D.(2015).Principles of geographical information systems. Oxford university press.

Collins, H. S. (1981). Algorithms for dense digital terrain models. PHOTOCRAMMETERNIGCI NEERINANGD REMOTES ENSING, 47:71–76.

Davies, J. (2017). The business case for soil. Nature, 543:309–311.

Farr, T.G. et al. (2007). The shuttle radar topography mission. Reviews of Geophysics, 45.

Fortes, L., Costa, S., Lima, M., Fazan, J., Santos, M. (2007). Accessing the new sirgas2000 reference frame through a modernized brazilian active control network. Dynamic Planet. International Association of Geodesy Symposia, 130.

Han, J., Pei, J., Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.

Klingebiel, A., Horvath, E., Moore, D., Reybold, W. (1987). Use of slope, aspect, and elevation maps derived from digital elevation model data in making soil surveys. Soil survey techniques, 20:77–90.

Lagacherie, P., Legros, J.P., Burrough, P. (1995). Soil survey procedure using the knowledge of soil pattern established on a previously mapped reference area. Geoderma, pages 283–301.

Lagacherie, P., Mcbratney, A.B. (2007). Spatial soil information systems and spatial soil inference systems: perspectives for digital soil mapping. Digital Soil Mapping: an introductory perspective. Amsterdam:. Elsevier, pages 3–22.

Likas, A., Vlassis, N., Verbeek, J. (2003). The global k-means clustering algorithm. Pattern Recognition, 36(2):451–461. Biometrics.

McBratney, A., Santos, M.M., Minasny, B. (2003). On digital soil mapping. Geoderma, 117(1):3–52.

McBratney, A.B., Odeh, I.O., Bishop, T.F., Dunbar, M.S., Shatar, T.M. (2000). An overview of pedometric techniques for use in soil survey. Geoderma, 97(3):293–327.

Piloyan, A. (2017). Semi-automated classification of landform elements in armenia based on srtm dem using k-means unsupervised classification. Quaestiones Geographicae, 36:93–103.

TOPODATA (2021). Banco de dados geomorfométricos do brasil | topodata. Disponível em: http://www.dsr.inpe.br/topodata/dados.php. Acesso em: 04 set 2021.