The role of airborne geophysical data as covariate to map soil classes: study case - southern portion of the Paraná sedimentary basin

• Autor(a) principal: Barbosa, Theresa Rocco Pereira
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Manancial - Repositório Digital da UFSM
• Texto Completo: http://repositorio.ufsm.br/handle/1/31268
• topic: Gamaespectrometria; Magnetometria; Dados legados; Mapeamento digital de solos; Aprendizado de máquina; Gamma-ray spectrometry; Magnetometry; Legacy data; Machine learning; Digital soil mapping; CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::CIENCIA DO SOLO

A porção sul da Bacia Sedimentar do Paraná tem um contexto único relacionado aos contrastes do material de origem e paisagem complexa. Dados geofísicos aerotransportados, como a gamaespectrometria e a magnetometria, têm potencial para representar o material de origem do solo, ajudando a prever espacialmente classes de solo tropicais. Este estudo utilizou dados morfométricos e geofísicos em diferentes combinações para testar e comparar algoritmos de aprendizado de máquina (AM) para investigar o impacto dos dados geofísicos na previsão de classes de solo. Doze modelos exclusivos foram avaliados, abrangendo algoritmos de AM de floresta aleatória (RF), máquina de vetor de suporte (SVM) e redes neurais artificiais (ANN) por meio de quatro formulações de covariáveis preditoras - morfométrica (MORPHO), gamaespectrometria (GAMMA), magnetometria (MAG) e um conjunto completo contendo todas as covariáveis (ALL). A formulação MOPHO serviu como linha de base para análises comparativas com o conjunto de dados geofísicos individuais e adicionados. Adicionalmente, três etapas de seleção de variáveis foram aplicadas (variância próxima de zero, remoção por correlação e remoção por importância). A importância das covariáveis nos modelos preditivos foi analisada e toda a estrutura de modelagem foi submetida a 100 interações. O estudo foi realizado com 1759 amostras categorizadas em 13 classes de solo (2ž nível taxonômico) do Sistema Brasileiro de Classificação de Solo, cobrindo uma área de aproximadamente 2700 kmš. Os resultados mostraram que as covariáveis morfométricas, especialmente a elevação, foram preditores consistentemente cruciais, destacando a importância do relevo. As covariáveis potássio anômalo (Kd) e eTh/K, relacionada a solos intemperizados, foram as covariáveis mais importantes da gamaespectrometria. As covariáveis derivada horizontal em x (gx) e campo magnético anômalo (cma) foram as covariáveis de magnetometria mais importantes, marcando estruturas do relevo. O algoritmo RF previu classes de solo com as maiores médias de valores de precisão geral. Os algoritmos SVM e ANN demonstraram um desempenho moderado em comparação; entretanto, nenhum dos mapas previstos pelo SVM incluiu todo o conjunto de variáveis-alvo presentes no ajuste do modelo. A formulação ALL apresentou o melhor desempenho, independentemente do algoritmo empregado. A MORPHO foi frequentemente a segundo melhor. Nesse sentido, a hipótese de que os dados geofísicos aerotransportados podem efetivamente ajudar na representação do material de origem nas abordagens de mapeamento digital do solo (MDS) foi corroborada, aprimorando assim as morfométricas usualmente empregadas. Os resultados destacam a importância do tempo na formação do solo local, que muitas vezes é difícil de representar em abordagens MDS, enfatizando a diversidade comum dos tipos de solo e o contraste geológico-estratigráfico Mesozoico. Destacou-se a influência estrutural do relevo das coxilhas, mostrando um alinhamento no sentido NW-SE associado aos variados Argissolos. Também distinguiu Argissolos Vermelhos na região norte, relacionados a rochas ígneas, e aqueles na região centro-sul, relacionados a rochas sedimentares. Além disso, identificou o Argissolos Bruno-Acinzentados como explicitamente associado a um domínio geofísico distinto dentro da Formação Sanga do Cabral. O estudo ressalta o potencial de integração de dados geofísicos no MDS, enfatizando a importância de uma abordagem abrangente que combine diversas fontes de dados e algoritmos.