Prediction of soil orders with high spatial resolution: response of different classifiers to sampling density

The objective of this work was to evaluate sampling density on the prediction accuracy of soil orders, with high spatial resolution, in a viticultural zone of Serra Gaúcha, Southern Brazil. A digital elevation model (DEM), a cartographic base, a conventional soil map, and the Idrisi software were used. Seven predictor variables were calculated and read along with soil classes in randomly distributed points, with sampling densities of 0.5, 1, 1.5, 2, and 4 points per hectare. Data were used to train a decision tree (Gini) and three artificial neural networks: adaptive resonance theory, fuzzy ARTMap; self‑organizing map, SOM; and multi‑layer perceptron, MLP. Estimated maps were compared with the conventional soil map to calculate omission and commission errors, overall accuracy, and quantity and allocation disagreement. The decision tree was less sensitive to sampling density and had the highest accuracy and consistence. The SOM was the less sensitive and most consistent network. The MLP had a critical minimum and showed high inconsistency, whereas fuzzy ARTMap was more sensitive and less accurate. Results indicate that sampling densities used in conventional soil surveys can serve as a reference to predict soil orders in Serra Gaúcha. O objetivo deste trabalho foi avaliar a densidade de amostragem na acurácia de predição de ordens de solos, com alta resolução espacial, em área vitícola da Serra Gaúcha. Para isso, utilizou-se modelo digital de elevação (MDE) do terreno, base cartográfica, mapa convencional de solos e o programa Idrisi. Sete variáveis preditoras foram calculadas e lidas junto com as classes de solo, em pontos aleatoriamente distribuídos, nas densidades de 0,5, 1, 1,5, 2 e 4 pontos por hectare. Os dados foram usados para treinar uma árvore de decisão (Gini) e três redes neurais artificiais: teoria da ressonância adaptativa, fuzzy ARTMap; mapa auto‑organizável, SOM; e perceptron de múltiplas camadas, MLP. Os mapas estimados foram comparados com o mapa de solos convencional para calcular erros de omissão e de inclusão, exatidão geral, e erros de quantidade e de alocação. A árvore de decisão foi menos sensível à densidade de amostragem e apresentou maior acurácia e consistência. O SOM foi a rede neural com menor sensibilidade e maior consistência. O MLP apresentou mínimo crítico e maior inconsistência, enquanto fuzzy ARTMap apresentou maior sensibilidade e menor acurácia. Os resultados indicam que densidades de amostragem usadas em levantamentos