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.

The traditional soil surveys have been very criticized for being expensive, timeconsuming and not adequately present the information demanded by the different users. So, it is necessary that soils scientists develop research and new techniques adoption, aiming to make it faster, less expensive and more quantitative, adjusting it to the modern users needs. The objective of the present study was to evaluate the use of terrain attributes and remote sensing data with the aid of neural network simulator for the prediction of soils classes in hillslope areas and mountains alignments Domains in the Northwest of Rio de Janeiro State. As this approach is greatly influenced by the terrain attributes derived from a digital elevation model (DEM), a quantitative and qualitative evaluation of different DEM was carried out initially to subsidize the best fit model to derive these attributes, later used for the prediction of soil classes by the neural network simulator. The root mean square error (RMSE) normally used to measure the DEM quality, was not enough to define, between the tested models, which presented the better quality. Thus, the qualitative analysis identified that the CARTA DEM obtained by the use of TOPOGRID module had the highest quality compared to the others that presented devices and gross errors, easily detected by this analysis. After that, the study of geomorphopedologic relations in the area was carried out. Among the terrains attributes, elevation, slope, aspect and curvature plan are the ones that had more influence on the soil distribution in the area, and were used to facilitate the identification of the different interactions that occur in the area. The abrupt textural change, that is present in soils derived from migmatites and milonites gneisses and absent in the soils developed from the noritic granulites, is the main difference among the soils derived from these rocks. Microclimatic variations determined by the aspect were important in the soil differentiation of the convex hillsides, independent of the parent material type. Thus, the soils derived from the noritic granulites, that occur in the northwest and northeast hillsides (red) and southwest (yellow-red), that are hotter and dry, are eutrofics and without Bw horizon in depth (typical Argissolo), while the Southeast oriented hillsides (relatively more cold and humid) are red-yellowish, distrofics and with Bw horizon in depth (latossolic Argissolo). In soils derived from migmatites and milonites gneisses, the difference observed was the presence of Bw horizon below the Bt horizon in the Southeast hillsides oriented (abruptic latossolic Argissolo). Finally, a neural network evaluation for prediction of soil classes was carried out. In this evaluation, based on the classic soil-landscape concept, different discriminant variables combinations have been tested: geology, elevation, slope, aspect, plan curvature, CTI index and three indexes derived from LANDSAT 7 image, about the soils classes discrimination capacity. Among the tested variable sets, the best results have been gotten when the terrain attributes and the LANDSAT 7 index had been used in the noritic granulites area and to the migmatites and milonites gneisses area. The neural network classifier was more accurated than the maximum likehood classic classifier and the maps produced by these classifications had low agreement between them, as well as, with the conventional soil map. The comparison with the field collected points showed that the map produced by the neural network classifier had a higher performance (70.83% of agreement) compared with the conventional maps produced (52.77%) and with the maximum likehood classifier (50.69%). The present study showed that the use of terrain attributes and remote sensing data in a neural network approach can greatly contribute to the soil mapping in Brazil to be more scientific, quantitative and trustworthy.