Desenvolvimento de funções de pedotransferência para estimativa de propriedades físico-hídricas do solo do bioma cerrado

Abstract

O Cerrado é a principal região agrícola do Brasil, sendo responsável por uma grande parte da produção de alimentos no país. A falta de dados na escala apropriada sobre os solos da região tem trazido incertezas aos processos de gestão dos recursos hídricos. A obtenção de determinadas propriedades físico-hídricas do solo, como, por exemplo, a condutividade hidráulica do solo saturado (Ks) e a curva de retenção de água, são trabalhosas e custosas, abrindo oportunidade para o uso das Funções de Pedotransferência (FPTs). O objetivo desta dissertação foi desenvolver para o Bioma Cerrado, FPTs para estimar a Ks, as umidades do solo nas tensões de 0, 6, 10, 33, 100 e 1500 kPa e os parâmetros de ajuste da curva de retenção. A partir de diferentes combinações de dados pedológicos, teores de areia, silte e argila, densidade do solo, densidade de partícula, porosidade, microporosidade, macroporosidade, umidade do solo na capacidade de campo (CC) e umidade do solo no ponto de murcha permanente (PMP), as FPTs foram desenvolvidas incorporando tais conjuntos em cinco modelos de aprendizado de máquina: Regressão Linear Múltipla (RLM), Multivariate Adaptative Regression Splines (MARS), Random Forest (RF), Support Vector Regression (SVR) e K Nearest Neightbors (KNN). As FPTs desenvolvidas para Ks apresentaram capacidade preditiva mediana, já para as umidades do solo, os modelos apresentaram valores de RMSE e ME próximos de zero e valores de R² superiores a 0,8. No ajuste da curva de retenção, o modelo de van Genuchten (1980) apresentou o melhor desempenho e as FPTs desenvolvidas para os parâmetros, umidade de saturação e umidade residual, apresentaram R² iguais a 0,76 e 0,42, respectivamente, e baixos valores de RMSE e ME. Já para os parâmetros, α e n, observou-se baixa capacidade preditiva das FPTs. Os algoritmos RF e SVR apresentaram os melhores desempenhos dentre os modelos avaliados e as variáveis preditoras CC e PMP demostraram importância no desenvolvimento das FPTs. Palavras-chave: Recursos Hídricos. Hidrologia. Irrigação. Aprendizado de máquina.

The Cerrado Biome is the main agricultural region in Brazil, being responsible for a large part of the country's food production. The lack of soil data on the appropriate scale has brought uncertainty to the water resources process in the region. Obtaining certain soil hydraulic parameters, such as the saturated hydraulic conductivity (Ks) and the water retention curve are laborious and costly, opening up opportunities for the use of Pedotransfer Functions (PTFs). The objective of this dissertation was to develop, for the Brazilian Savannah, FPTs to estimate Ks, soil moistures at tensions of 0, 6, 10, 33, 100 and 1500 kPa and the adjustment parameters of the retention curve. From different combinations of pedological data, sand, silt and clay contents, soil density, particle density, porosity, microporosity, macroporosity, soil moisture at field capacity (FC) and soil moisture at permanent wilting point (PWP), PTFs were developed by incorporating such sets into five machine learning models: Multiple Linear Regression (MLR), Multivariate Adaptive Regression Splines (MARS), Random Forest (RF), Support Vector Regression (SVR) and K Nearest Neighbors (KNN). The PTFs developed for Ks showed median predictive capacity, whereas for soil moisture, the models presented RMSE and ME values close to zero and R² values above 0.8. In the adjustment of the retention curve, the model by van Genuchten (1980) showed the best performance and the PTFs developed for the parameters, saturation moisture and residual moisture, presented R² equal to 0.76 and 0.42, respectively, and low RMSE and ME values. As for the parameters, α and n, a low predictive capacity was observed. The RF and SVR algorithms showed the best performance among the evaluated models and the predictor variables FC and PWP showed importance in the development of PTFs. Keywords: Water resources. Hydrology. Irrigation. Machine learning.