Mapeamento digital de solos por correlação ambiental e redes neurais em uma bacia hidrográfica no Domínio de mar de morros

Abstract

Os levantamentos de solos tradicionais vêm sendo muito criticados por serem caros, demorados e não apresentarem adequadamente as informações demandadas pelos diferentes usuários. Desta maneira, é preciso que os cientistas de solos busquem, através de pesquisa e adoção de novas técnicas, meios para torná-los mais rápidos, menos custosos e mais quantitativos, adequando-se às necessidades dos usuários modernos. O presente estudo teve como objetivo avaliar a utilização de atributos do terreno e dados de sensores remotos em uma abordagem por redes neurais para a predição de classes de solos em uma região montanhosa do Domínio de mar de morros e Alinhamentos serranos no Noroeste do Estado do Rio de Janeiro. Como a abordagem utilizada é grandemente influenciada pelos atributos do terreno derivados de um modelo digital de elevação (MDE), inicialmente foi realizada uma avaliação quantitativa e qualitativa de diferentes MDEs para subsidiar a escolha do modelo mais adequado para derivar estes atributos, que posteriormente foram utilizados na predição das classes de solos pelas redes neurais. A raiz quadrada do erro médio quadrático (RMSE), normalmente utilizado para medir a qualidade de MDEs, isoladamente, não foi suficiente para definir, entre os modelos testados, qual apresentava melhor qualidade. Assim, a análise qualitativa identificou que o MDE CARTA obtido com a utilização do módulo TOPOGRID é superior aos demais, pois estes apresentaram artefatos e erros grosseiros que foram facilmente detectados por esta análise. Em seguida, foi realizado o estudo das relações geomorfopedológicas na área estudada. Dentre os atributos do terreno, elevação, declividade, aspecto e plano de curvatura são os que mais se correlacionam com a distribuição dos solos, e a sua utilização facilitou a identificação das diferentes interações que ocorrem na área. A mudança textural abrupta, que está presente nos solos derivados dos migmatitos e milonitos gnaisses e ausente nos desenvolvidos dos granulitos noríticos, é a diferença mais marcante entre os solos originados destas rochas. Variações microclimáticas determinadas pelo aspecto foram importantes na diferenciação dos solos das encostas convexas, independente do tipo de material de origem. Assim, os solos derivados dos granulitos noríticos, que ocorrem nas encostas noroeste e nordeste (vermelhos) e sudoeste (vermelho-amarelos), que são mais quentes e secas, são eutróficos e sem horizonte B latossólico em profundidade (Argissolo típico), enquanto os das encostas voltadas para sudeste (relativamente mais frias e úmidas) são vermelho-amarelados, distróficos e com horizonte B latossólico em profundidade (Argissolo latossólico). Nos solos derivados dos migmatitos e milonitos gnaisses, a única diferença encontrada foi a presença de horizonte Bw abaixo do Bt nas encostas voltadas para sudeste (Argissolo abrúptico latossólico). Finalmente, foi utilizada uma abordagem por redes neurais para a predição de classes de solos. Nesta avaliação, baseada no clássico conceito solo-paisagem, foram testadas diferentes combinações entre as variáveis discriminantes: geologia, elevação, declividade, aspecto, plano de curvatura, índice de umidade (CTI) e três índices derivados de uma imagem do sensor ETM+ do Landsat-7, quanto à capacidade de discriminação das classes de solo. Dentre os conjuntos de variáveis testados os melhores resultados foram obtidos quando os atributos do terreno e os índices do sensor ETM+ do Landsat-7 foram utilizados, tanto para a área dos granulitos noríticos, quanto para a área dos migmatitos e milonitos gnaisses. O classificador baseado nas redes neurais produziu uma maior exatidão do que o classificador clássico da máxima verossimilhança e os mapas produzidos por estes classificadores mostraram uma baixa concordância entre si, assim como com o mapa de solos convencional. A comparação com pontos de controle de campo mostrou que o mapa produzido pela abordagem por redes neurais obteve um desempenho superior (70,83% de concordância) aos mapas produzidos pelo método convencional (52,77%) e pelo maxver (50,69%). O presente estudo mostrou que a utilização dos atributos do terreno e dos dados de sensores remotos em uma abordagem por redes neurais pode contribuir grandemente para tornar o mapeamento de solos no Brasil mais científico, quantitativo e confiável.