As aplicações espaciais de dados do solo como o MDS requerem dados geoespaciais consistentes, incluindo coordenadas geográficas e um sistema de referência de coordenadas conhecido. No entanto, quando se trata de dados legados, frequentemente encontramos esses dados geoespaciais ausentes ou incorretas. Neste artigo, nós avaliamos a qualidade dos dados geoespaciais de dados legados do solo no Brasil e avaliamos fontes de dados geoespaciais (relatórios de pesquisa, mapas, infraestruturas de dados espaciais, serviços de mapeamento na web) e conhecimento especializado como forma de corrigir tais inconsistências.
No mapeamento digital do solo, técnicas de aprendizado de máquina estão sendo usadas para inferir relações entre propriedades do solo e covariáveis. Informações derivadas desse processo são frequentemente traduzidas em conhecimento pedológico. Esse mecanismo é conhecido como descoberta de conhecimento. Neste estudo, mostramos que a descoberta de conhecimento com base nessa estratégia deve ser tratada com cautela. Métodos de aprendizagem de máquina podem encontrar padrões relevantes mesmo quando as covariáveis não têm sentido e não estão relacionadas a fatores e processos de formação do solo.
O uso de novas tecnologias, o desenvolvimento de novos softwares e os avanços na capacidade das máquinas de processar dados trouxeram uma nova perspectiva para a ciência do solo e, principalmente, para a pedologia, com o advento do mapeamento digital do solo. Neste artigo, descrevemos nossa experiência com um curso teórico-prático de mapeamento digital do solo para profissionais envolvidos no gerenciamento de recursos terrestres. Dentre os tópicos abordados estão (a) gênese, morfologia e classificação do solo, (b) geoprocessamento e sistemas de informação geográfica e (c) modelos estatísticos e de aprendizado de máquina.
Minicurso introdutório para alunos dos cursos da Facultad de Ciencias Agropecuarias da Universidad Nacional de Córdoba como parte das atividades da IV Jornadas Nacionales de Suelos de Ambientes Semiáridos & II Congreso Escuela en Estadística Espacial. O curso inclui tópicos como preparação do ambiente computacional, bases do mapeamento digital do solo, dados do solo e covariáveis, modelos (geo)estatísticos, incerteza e validação das predições. Todos os softwares utilizados são livres e de código aberto, com destaque para o QGIS e o R.
O MDS usa modelos estatísticos para quantificar a correlação entre propriedades do solo e condições ambientais para fazer predições em locais não amostrados. Seu sucesso depende, em grande medida, dos dados de amostragem do solo. É provável que uma estratégia amostral pobre ofereça um modelo pobre e grandes erros de predição, resultando em desperdício de recursos. Uma solução computacional é a otimização da configuração amostral usando a técnica do recozimento simulado.
Minicurso introdutório para alunos do curso de Agronomia do IFPR Palmas como parte das atividades da VIII Semana Acadêmica. O curso inclui tópicos como preparação do ambiente computacional, bases do mapeamento digital do solo, dados do solo e covariáveis, modelos (geo)estatísticos, incerteza e validação das predições. Todos os softwares utilizados são livres e de código aberto, com destaque para o QGIS e o R.
O mapeamento digital do solo se beneficiou do rápido aumento no poder dos computadores para lidar com grandes volumes de dados de base para produzir novas informações sobre o solo. No Brasil, pesquisas de solo são realizadas desde a década de 1930. Mas a maioria dos dados coletados nos últimos 90 anos ainda está em formato de papel. Esse cenário começou a mudar em 2017, quando foi lançado o Repositório Brasileiro Livre de Dados de Solo Aberto (FEBR). Até o final de 2018, o FEBR já continha dados de cerca de 15.000 observações do solo, consolidando-se como a maior fonte de dados do solo do Brasil