O objetivo deste trabalho foi o desenvolvimento de modelos com diferentes conjuntos de dados, para estimar a densidade de solos de regiões tropicais montanhosas, a partir de atributos de solos comumente encontrados nas análises de perfis de solos descritos nos levantamentos regionais. O conjunto total de dados compõe-se de 163 amostras e foi dividido em seis grupamentos, dos quais três com 73 amostras, com o máximo de 32 covariáveis, e três com 163 amostras, com o máximo de 18 covariáveis. Testaram-se modelos de regressão linear múltipla (RLM) e randomForest (RF). A menor incerteza entre os modelos foi alcançada pelo RLM2, com R² de 0,56, 13 covariáveis e 73 amostras. Nos grupamentos com 163 amostras, os melhores modelos foram os RF, com R² médio de 0,48. A raiz quadrada da média do erro ao quadrado variou entre 0,09 e 0,14. As covariáveis mais importantes no modelo RF foram: carbono orgânico, hidrogênio, areia fina e grossa, saturação por bases e capacidade de troca catiônica. Pelo método "stepwise regression", as variáveis mais importantes foram: a relação silte/argila; areia grossa e fina; carbono orgânico; saturação por bases; e potássio.

Soil properties have an enormous impact on economic and environmental aspects of agricultural production. Quantitative relationships between soil properties and the factors that influence their variability are the basis of digital soil mapping. The predictive models of soil properties evaluated in this work are statistical (multiple linear regression-MLR) and geostatistical (ordinary kriging and co-kriging). The study was conducted in the municipality of Bom Jardim, RJ, using a soil database with 208 sampling points. Predictive models were evaluated for sand, silt and clay fractions, pH in water and organic carbon at six depths according to the specifications of the consortium of digital soil mapping at the global level (GlobalSoilMap). Continuous covariates and categorical predictors were used and their contributions to the model assessed. Only the environmental covariates elevation, aspect, stream power index (SPI), soil wetness index (SWI), normalized difference vegetation index (NDVI), and b3/b2 band ratio were significantly correlated with soil properties. The predictive models had a mean coefficient of determination of 0.21. Best results were obtained with the geostatistical predictive models, where the highest coefficient of determination 0.43 was associated with sand properties between 60 to 100 cm deep. The use of a sparse data set of soil properties for digital mapping can explain only part of the spatial variation of these properties. The results may be related to the sampling density and the quantity and quality of the environmental covariates and predictive models used.

O objetivo deste trabalho foi avaliar a influência da resolução espacial do modelo digital de elevação e da eficiência de modelos Random Forest sobre a predição dos teores de areia, argila e carbono orgânico, com uso de número reduzido de amostras. O trabalho foi realizado em área de Cerrado com diversidade litológica, no Estado do Mato Grosso do Sul, tendo-se utilizado atributos morfométricos, dados do sensor TM Landsat 5 e litologia como covariáveis preditoras. Dados da camada superficial (0,0-0,2 m) de 175 perfis de solos (0,009 perfis km^-2) e de 26 covariáveis preditoras foram utilizados com resolução espacial de 30 (conjunto 1) e 90 m (conjunto 2). A análise realizada pelo Random Forest mostrou que as covariáveis de nível de base do canal de drenagem, da elevação e da litologia foram as mais importantes para explicar a variabilidade. A validação dos modelos apresentou similaridade entre os conjuntos quanto à predição de areia, argila e carbono orgânico, o que explica os seguintes valores de variabilidade espacial, respectivamente: 44, 40 e 33%, para a resolução de 30 m; e de 45, 46 e 33%, para a resolução de 90 m. A resolução espacial das covariáveis preditoras tem pouca influência sobre a predição dos atributos, e a abordagem por Random Forest apresenta potencial de utilização para estimar atributos do solo.

Soil information is needed for managing the agricultural environment. The aim of this study was to apply artificial neural networks (ANNs) for the prediction of soil classes using orbital remote sensing products, terrain attributes derived from a digital elevation model and local geology information as data sources. This approach to digital soil mapping was evaluated in an area with a high degree of lithologic diversity in the Serra do Mar. The neural network simulator used in this study was JavaNNS and the backpropagation learning algorithm. For soil class prediction, different combinations of the selected discriminant variables were tested: elevation, declivity, aspect, curvature, curvature plan, curvature profile, topographic index, solar radiation, LS topographic factor, local geology information, and clay mineral indices, iron oxides and the normalized difference vegetation index (NDVI) derived from an image of a Landsat-7 Enhanced Thematic Mapper Plus (ETM+) sensor. With the tested sets, best results were obtained when all discriminant variables were associated with geological information (overall accuracy 93.2 - 95.6 %, Kappa index 0.924 - 0.951, for set 13). Excluding the variable profile curvature (set 12), overall accuracy ranged from 93.9 to 95.4 % and the Kappa index from 0.932 to 0.948. The maps based on the neural network classifier were consistent and similar to conventional soil maps drawn for the study area, although with more spatial details. The results show the potential of ANNs for soil class prediction in mountainous areas with lithological diversity.

There is a relation of vegetation physiognomies with soil and geological conditions that can be represented spatially with the support of remote sensing data. The goal of this research was to map vegetation physiognomies in a mountainous area by using Sentinel-2 Multispectral Instrument (MSI) data and morphometrical covariates through data mining techniques. The research was based on red-edge (RE) bands, and indices, to classify phytophysiognomies at two taxonomic levels. The input data was pixel sampled based on field sample sites. Data mining procedures comprised covariate selection and supervised classification through the Random Forest model. Results showed the potential of bands 3, 5, and 6 to map phytophysiognomies for both seasons, as well as Green Chlorophyll (CLg) and SAVI indices. NDVI indices were important, particularly those calculated with bands 6, 7, 8, and 8A, which were placed at the RE position. The model performance showed reasonable success to Kappa index 0.72 and 0.56 for the first and fifth taxonomic level, respectively. The model presented confusion between Broadleaved dwarf-forest, Parkland Savanna, and Bushy grassland. Savanna formations occurred variably in the area while Bushy grasslands strictly occur in certain landscape positions. Broadleaved forests presented the best performance (first taxonomic level), and among its variation (fifth level) the model could precisely capture the pattern for those on deep soils from gneiss parent material. The approach was thus useful to capture intrinsic soil-plant relationships and its relation with remote sensing data, showing potential to map phytophysiognomies in two distinct taxonomic levels in poorly accessible areas.

Resumo O objetivo deste trabalho foi avaliar ferramentas pedométricas para caracterização da composição granulométrica (areia, silte e argila) e comparação de perfis de solos hidromórficos. O estudo foi realizado na bacia hidrográfica do rio Guapi-Macacu, RJ. Foram aplicados o algoritmo "slice-wise" para o fatiamento do perfil em intervalos de 1 cm, e a função "spline" para harmonizar o conjunto de dados segundo seis intervalos de profundidade predefinidos. A análise do conjunto de perfis, por meio das funções de profundidade (slice-wise e spline) e de dendrograma de dissimilaridade, revelou que Planossolos e Gleissolos são relativamente rasos e apresentam camadas arenosas nos horizontes superficiais e teores de argila e silte irregulares em subsuperficie. Essas duas ordens ocorrem na área da bacia hidrográfica geralmente em planícies aluviais, em vales e em sopés de elevação. Os Neossolos Flúvicos apresentaram maiores quantidades de argila e silte em superfície, as quais decrescem em profundidade, e são mais profundos e ocorrem nos terraços aluviais. A abordagem permitiu descrever a variabilidade da textura dos solos hidromórficos em perfil e realizar a análise de similaridade entre as ordens, o que pode apoiar a distinção de fases em unidades de mapeamento e a identificação de critérios quantitativos para a classificação dos solos.