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.

Em 2010, a cidade de Niterói foi assolada por fortes chuvas, registrando altos índices pluviométricos acumulados em poucas horas. Tal evento ocasionou diversos desastres, principalmente associados a deslizamentos. Com o intuito de proteger a população e contribuir para a gestão de riscos na cidade, o presente trabalho apresenta limiares críticos de pluviometria para o município, usando uma compilação de informações referentes aos deslizamentos ocorridos entre os anos de 2014 e 2018, bem como os registros pluviométricos a eles associados. As correlações entre os parâmetros intensidade horária e chuvas antecedentes mostraram-se mais eficazes para distinguir os limiares de precipitação que ocasionam deslizamentos na cidade. Como resultado, chuvas horárias maiores ou iguais a 40 mm e a precipitação acumulada a partir de 90 mm, num período de até 24 horas, indicam alta possibilidade de ocorrência de deslizamentos na região. Os resultados também permitiram o desenvolvimento de índices pluviométricos críticos, que podem vir a ser utilizados na gestão de risco de desastres do município.