SMART-MAP: Plugin QGIS para interpolação utilizando Krigagem Ordinária e Machine Learning

• Gustavo Willam Pereira IFSUDESTEMG
• Domingos Sárvio Magalhaes Valente UFV
• Daniel Marçal de Queiroz UFV
• André Luiz de Freitas Coelho UFV

DOI: https://doi.org/10.5753/sbiagro.2023.26550

Resumo

Algoritmos de Aprendizado de Máquina (ML) têm sido utilizados como alternativa aos métodos convencionais e geoestatísticos no mapeamento digital de atributos do solo. No entanto, os algoritmos de ML apresentam muitas variantes que podem dificultar a sua aplicação por usuários finais. Para preencher essa lacuna, o objetivo desse trabalho foi desenvolver o plugin Smart-Map, para ser utilizado no QGIS. Foram implementados no plugin o método geoestatístico Krigagem Ordinária (OK) e o modelo de ML Support Vector Machine (SVM), para geração de mapas interpolados com base em aprendizado de máquina e OK. Comparações de performance entre OK e SVM foram realizadas em um grid amostral com 112 pontos amostrados.

Referências

Bezdek, J. C., Ehrlich, R. and Full, W. (1984). FCM: the fuzzy c-means clustering algorithm. In Comput. Geosci., v. 10, pages 191–203.

Campbell, P. M. M., Francelino, M. R., Filho, E. I. F., Rocha, P.A. and Azevedo, B. C. (2019) Digital mapping of soil attributes using machine learning. Revista Ciência Agronômica, v. 50, n. 4, p. 519–528.

Hengl, T., Nussbaum, M., Wright, M. N., Heuvelink, G. B. M. and Graler, B. (2018) Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. PeerJ, v. 6, p. e5518.

Malla, R., Shrestha, S., Khadka, D. and Bam, C. R. (2020). Soil Fertility Mapping and Assessment of the Spatial Distribution of Sarlahi District , Nepal. American Journal of Agricultural Science, v. 7, n. 1, p. 8–16.

Muphy, B., Mullher, S., Yurchark, R. GeoStat-Framework/PyKrige v1.5.1 (Version v1.5.1).

Pedregosa, F., Varoquaux, G., Granfort, A., Michel, V. and Thirion, B. (2011) Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, v. 12, n. 1, p. 2825–2830.

QGIS Development Team. (2018). QGIS Geographic Information System. Open Source Geoespacial Found. Proj.QGIS Development Team.

Remy, N., Boucher, A. and Wu, J. (2009). Applied Geostatistics with SGeMS. Cambridge: Cambridge University Press, 2009.

Santos, H. G., Carvalho Júnior, W., Dart, R. O., Áglio, M. L. D., Sousa, J. S., Pares, J. G., Fontana, A., Martins, A. L. S. and Oliveira, A. P. O. (2018) Sistema Brasileiro de Classificação de Solos. 5. ed. Brasilia, DF.

Sekulic, A., Kilibarba, M., Heuvelink, G. B. M., Nikolic, M. and Bajat, B. (2020) Random forest spatial interpolation. Remote Sensing, v. 12, n. 10, p. 1–29.

Valente, D. S. M., Queiroz, D. M., Pinto, F. A. C., Santos, N. T. and Santos, F. L. (2012). Definition of management zones in coffee production fields based on apparent soil electrical conductivity. Scientia Agricola, v. 69, n. 3, p. 173–179.

Veronesi, F. and Schillaci, C. (2019). Comparison between geostatistical and machine learning models as predictors of topsoil organic carbon with a focus on local uncertainty estimation. Ecological Indicators, v. 101, p. 1032–1044.

Whelan, B. M., Mcbratney, A. B., Minasny, B. (2002). VESPER 1.5 - Spatial prediction software for precision agriculture. 6th International Conference on Precision Agriculture, p. 1–14.