Uso de dados aerogeofísicos na modelagem preditiva de atributos do solo no Município de Bom Jardim - RJ

• Autor(a) principal: Bastos, Blenda Pereira
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFRRJ
• Texto Completo: https://rima.ufrrj.br/jspui/handle/20.500.14407/15844
• topic: Geociências; mapeamento digital de solos; dados gamaespectrométricos; dados magnetométricos; material de origem; machine learning; digital soil mapping; gamma-ray spectrometry data; magnetic data; parent material

Os dados aerogeofisicos possuem grande potencial no Mapeamento Digital de Solos (MDS) como covariáveis na predição de atributos fisicos e químicos do solo, pois representam fatores de formação como, por exemplo, material de origem e relevo. O objetivo geral desse estudo foi avaliar a importância e o desempenho dos dados aerogeofisicos na predição de atributos do solo, a saber: Saturação por Alumínio (ASat), Saturação por Bases (BS), Capacidade de Troca Catiônica (CEC), Argila (Clay) e Carbono Orgânico (OC). As covariáveis aerogeofisicas incluem contagem total (TC), potássio (K), urânio equivalente (eU), tório equivalente ( eTh), razões entre os radioelementos ( eTh/K, eU/K e eU/eTh), Fator F, potássio anômalo (Kd), urânio anômalo (Ud), campo magnético anômalo (AMF), derivada vertical (GZ), derivadas horizontais (GX e GY) e índice máfico (MI). A abordagem utilizada para verificar a importância dos dados aerogeofisicos na predição dos atributos do solo foi baseada na aplicação de técnicas de modelagem preditiva utilizando dois conjuntos distintos de covariáveis: (1) covariáveis derivadas do Modelo Digital de Elevação (MDE), imagens de satélite da missão Sentinel-2 e dados aerogeofisicos; e (2) covariáveis derivadas do MDE e imagens de satélite da missão Sentinel-2, excluindo os dados aerogeofisicos. O estudo foi realizado no município de Bom Jardim, Rio de Janeiro, Brasil, com uma área de 382,430 km2 e banco de dados legados de solo composto por 208 amostras (harmonizados a uma profundidade predefinida de 0- 30cm). As covariáveis não explicativas para os atributos de solo selecionados foram excluídas usando as funções nearZeroVar, findCorrelation e Recursive Feature Elimination (RFE). Por meio das covariáveis selecionadas, os modelos Random Forest (RF) e Support Vector Machine (SVM) foram aplicados com amostras separadas para treinamento (75%) e validação (25%). O desempenho dos modelos foi avaliado quantitativamente por meio dos índices R-squared (R2), Root Mean Square Error (RMSE), e Mean Absolute Error (MAE), bem como valores nulos do modelo (NULL RMSE e NULL MAE) e Coeficiente de Variação (CV%). As etapas RFE, treinamento, validação e predição para cada propriedade do solo foram repetidas 100 vezes para garantir robustez dos modelos. O modelo RF mostrou melhor performance na modelagem com os dados aerogeofisicos (valores de R2 variando entre 0.15 e 0.23), assim como o modelo SVM (valores de R2 variando entre 0.08 e 0.23), quando comparados aos modelos RF (valores de R2 variando entre 0.10 e 0.20) e SVM (valores de R2 variando entre 0.04 e 0.10), sem os dados aerogeofisicos. Os resultados sugerem que a modelagem com dados aerogeofisicos pode ser uma ferramenta útil para o mapeamento de solos e seus atributos, especialmente em regiões onde as técnicas convencionais de levantamento de solos são impraticáveis ou economicamente inviáveis. No entanto, é crucial reconhecer que a precisão dos dados aerogeofisicos na previsão das propriedades do solo pode variar dependendo de vários fatores (a qualidade e resolução dos dados, e amostragem em escala apropriada, por exemplo) e mais pesquisas são necessárias para explorar esses fatores e determinar a abordagem ideal para utilizá-los no MDS.