Modelagem e mapeamento dos teores de ferro em solos do Quadrilátero Ferrífero: aplicações de mapeamento digital de solos

Abstract

O Quadrilátero Ferrífero (QF) é a principal província mineralógica do sudeste brasileiro e possui uma riqueza ambiental ímpar. Apesar de ser historicamente marcado pelo extrativismo mineral e contar com diversos estudos ambientais detalhados, o conhecimento sobre seus solos ainda é incipiente. Nesse contexto, o Mapeamento Digital de Solos surge como uma alternativa acessível para a geração de informações pedológicas em escala adequada. Os métodos quantitativos proporcionaram uma nova perspectiva para o mapeamento de solos e possibilitam a melhor representação espacial de atributos do solo, de forma rápida, precisa e acurada. Assim, objetivou-se com esta pesquisa construir modelos preditivos, definidos como funções de pedotransferência (FPT) para a predição dos teores de ferro em solos do QF e espacializar por meio de mapas os teores de ferro. Utilizou- se dados de amostras do Banco de Solos de Minas Gerais, complementados por coletadas realizadas na profundidade de 0 a 20 cm, totalizando 165 amostras. Para a seleção dos subconjuntos das covariáveis mais importantes e reduzir a redundância, empregou-se a seleção por correlação (|?| < 0,95) e a seleção pela importância, por meio do Recursive Feature Elimination. Testou-se seis algoritmos de machine learning e executou-se os processos de seleção, treinamento, validação, teste e predição por 100 vezes. Observou-se que o Random Forest (RF) e o Gradient Boosting Machine (GBM) apresentaram-se como os modelos mais consistentes durante a construção das FPT. No que diz respeito à espacialização e construção dos mapas, os modelos RF e K-Nearest Neighbors (KNN) se destacaram. Em ambas as análises, as covariáveis bioclimáticas, morfométricas e aquelas relacionadas aos materiais de origem, como os dados de gamaespectrometria, emergiram como as mais relevantes. As amostras coletadas representaram bem a ampla diversidade litoestratigráfica do QF. Além disso, observou-se que as maiores concentrações de ferro em solos do QF ocorrem em regiões predominantemente compostas por materiais ferruginosos, que geralmente apresentam maior resistência ao intemperismo. Por outro lado, os teores mais baixos encontrados, foram nas regiões de menores altitudes, onde o material originário possui menor concentração de ferro. De forma geral, os modelos desenvolvidos demonstraram alta capacidade de identificação dos padrões presentes nos dados, seja para a construçãode FPT ou para a geração dos mapas. Palavras-chave: Aprendizado de máquina; Sustentabilidade; Pedometria; Solos tropicais.The Quadrilátero Ferrífero (QF) is the main mineralogical province in southeastern Brazil and possesses unique environmental richness. Despite being historically marked by mineral extraction and having numerous detailed environmental studies, knowledge about its soils remains limited. In this context, Digital Soil Mapping emerges as an accessible alternative for generating pedological information at an appropriate scale. Quantitative methods have provided a new perspective for soil mapping, enabling a more accurate, precise, and rapid spatial representation of soil attributes. Thus, this research aimed to develop predictive models, defined as pedotransfer functions (PTF), to predict iron contents concentrations in QF soils and to spatialize these concentrations through maps. Data from soil samples in the Minas Gerais Soil Bank were used, complemented by additional collections at a depth of 0 to 20 cm, totaling 165 samples. To select the most important covariate subsets and reduce redundancy, correlation selection (|< 0.95|) and importance-based selection using Recursive Feature Elimination (RFE) were applied. Six machine learning algorithms were tested, and the selection, training, validation, testing, and prediction processes were executed 100 times. The results showed that the Random Forest (RF) and Gradient Boosting Machine (GBM) models were the most consistent during PTF development. Regarding spatialization and map construction, the RF and K- Nearest Neighbors (KNN) models stood out. In both analyses, bioclimatic and morphometric covariates, as well as those related to parent materials—such as gamma spectrometry data—emerged as the most relevant. The collected samples effectively represented the broad lithostratigraphic diversity of the QF. Furthermore, it was observed that the highest iron concentrations in QF soils occur in regions predominantly composed of ferruginous materials, which are generally more resistant to weathering. Conversely, the lowest iron concentrations were found in lower- altitude regions, where the parent material has lower iron content. Overall, the developed models demonstrated a high capacity for identifying patterns within the data, both for PTF construction and for generating spatial maps. Keywords: Machine learning; Sustainability; Pedometrics; Tropical soils.