Digital elevation model quality on digital soil mapping prediction accuracy

• Published in: Ciência e agrotecnologia Vol. 42; no. 6; pp. 608 - 622
• Main Authors: Costa, Elias Mendes, Samuel-Rosa, Alessandro, Anjos, Lúcia Helena Cunha dos
• Format: Journal Article
• Language: English
• Published: Editora da Universidade Federal de Lavras 01.12.2018; Universidade Federal de Lavras
• Subjects: AGRICULTURE, MULTIDISCIPLINARY; colinearidade; entropia de Shannon; Regressão logística multinomial; variáveis preditoras; Regressão logística multinomial; colinearidade; predictor variables; Multinomial logistic regression; Shannon entropy; collinearity; entropia de Shannon; variáveis preditoras
• ISSN: 1413-7054; 1981-1829; 1981-1829
• DOI: 10.1590/1413-70542018426027418

ABSTRACT Digital elevation models (DEM) used in digital soil mapping (DSM) are commonly selected based on measures and indicators (quality criteria) that are thought to reflect how well a given DEM represents the terrain surface. The hypothesis is that the more accurate a DEM, the more accurate will be the DSM predictions. The objective of this study was to assess different criteria to identify the DEM that delivers the most accurate DSM predictions. A set of 10 criteria were used to evaluate the quality of nine DEMs constructed with different data sources, processing routines and three resolutions (5, 20, and 30 m). Multinomial logistic regression models were calibrated using 157 soil observations and terrain attributes derived from each DEM. Soil class predictions were validated using leave-one-out cross-validation. Results showed that, for each resolution, the quality criteria are useful to identify the DEM that more accurately represents the terrain surface. However, for all three resolutions, the most accurate DEM did not produce the most accurate DSM predictions. With the 20-m resolution DEMs, DSM predictions were five percentage points less accurate when using the more accurate DEM. The 5-m resolution was the most accurate DEM overall and resulted in DSM predictions with 44% accuracy; this value was equal to that obtained with two coarser resolution, lower accuracy DEMs. Thus, identifying the truly best DEM for DSM requires assessment of the accuracy of DSM predictions using some form of external validation, because not necessarily the most accurate DEM will produce the best DSM predictions. RESUMO Modelos digital de elevação (MDE) usados no mapeamento digital de solo (MDS) são comumente selecionados com base em medidas e indicadores (critérios de qualidade) que refletem como um determinado MDE representa a superfície da paisagem. A hipótese é que, quanto mais acurado for um DEM, mais acurada serão as predições do MDS. O objetivo deste estudo foi avaliar diferentes critérios para identificar o MDE que fornece as predições mais acuradas do MDS. Um conjunto de 10 critérios foi utilizado para avaliar a qualidade de nove MDEs construídos com diferentes fontes de dados, rotinas de processamento e três resoluções (5, 20 e 30 m). Modelos de regressão logística multinomial foram calibrados usando 157 observações de solo e atributos de terreno derivados de cada MDE. As predições de classe de solo foram validadas usando validação cruzada leave-one-out. Os resultados mostraram que, para cada resolução, os critérios de qualidade são úteis para identificar o MDE que representa mais precisamente a superfície da paisagem. No entanto, para todas as três resoluções, o MDE mais acurado não produziu as predições mais acuradas do MDS. Com os MDEs de resolução de 20 m, as predições do MDS foram cinco pp menos acuradas ao usar o MDE mais acurado. A resolução de 5 m foi o MDE mais acurado e resultou em predições com 44% de acurácia; este valor foi igual ao obtido com duas resoluções mais grossas, MDEs com menor acurácia. Assim, a identificação do melhor MDE para o MDS exige a avaliação da acurácia das predições do MDS usando alguma forma de validação externa, porque não necessariamente o MDE mais acurado produzirá as melhores predições do MDS.