Autores
- NIRIELE RODRIGUESUFRRJEmail: nirielebr@yahoo.com.br
- CAMILLA SANTOS REIS DE ANDRADE DA SILVAUFRRJEmail: camilla.sras@gmail.com
- Erica Souto Abreu LIMAUFRRJEmail: ericaabreulima@gmail.com
- NELSON MOURA BRASIL DO AMARAL SOBRINHOUFRRJEmail: nelmoura@ufrrj.br
- FRANCISCO XIRLEAN XAVIER ALVESUFRRJEmail: alvesxvier11@gmail.com
Resumo
A presente pesquisa teve por objetivo analisar variabilidade espacial dos
atributos de argila, areia e silte e a influência das covariáveis ambientais,
nas regiões do Norte e Noroeste (RJ). A metodologia baseou-se em: Levantamento
bibliográfico;construção do banco de dados; estatística descritiva; e mapeamento
digital a partir do modelo preditivo Random Forest, com os programas
RStudio (3.6.1), Saga GIS (2.1.2). Os resultados obtidos, apresentaram para as
variáveis de argila de R² 0,45, para areia R² 0,31 e silte com R² 0,21. Na
predição do modelo, constatou- se predominância das covariáveis Catchment Area,
Surface Area e SAVI, sendo as que melhor justificam a variabilidade dos
atributos. Portanto, as covariáveis geomorfométricas apresentaram maior
desempenho correlação aos índices, sendo uma ferramenta importante planejamento
ambiental.
Palavras chaves
Pedometria; textura; mineração de dados; inteligência artificial; planejamento ambiental
Introdução
Nas últimas décadas a busca por informação acerca de atributos do solo no
Brasil, tem sido cada vez mais crescente e essencial para planejamento de uso do
solo. Nesse contexto, sabemos que, o solo é resultado da função do processo dos
fatores de formação atrelado a processos pedogenéticos que atuam com
determinados pesos na relação solo e paisagem, fatores esses que elucidam as
diversas características do comportamento físico e químico e a variabilidade do
solo.
A pedometria tem buscado quantificar a variabilidade espacial dos atributos do
solo, por meio da combinação de métodos de mapeamento. Os atributos do solo
podem ser previstos a partir da posição espacial em grande parte pela
interpolação entre locais de observação do solo (McBRATNEY,2003). A pedometria é
denominada como estatística em solos e/ou pedologia quantitativa, os estudos têm
buscado a partir de dados mensurados em campo atrelado a outras variáveis
ambientais, predizer modelos pedológicos quanto à variação espacial de
determinada área (McBRATNEY (2000). Nesse viés de pedometria, diversos trabalhos
relacionando a espacialização de atributos físicos e químicos de solos, tem
indicado o avanço de instrumentação no campo da ciência do solo (McBRATNEY,
2000; Mendonça, 2007; Ten Caten, 2011).
A variabilidade espacial das frações granulométricas está ligada diretamente ao
processo de formação do solo e entender como essas frações estão distribuídas
espacialmente, principalmente, as partículas primárias areia, silte e argila,
possibilita a interpretação da disponibilidade dos elementos químicos no solo
(Silva et al., 2010). Os princípios básicos de experimentação e a variabilidade
do solo ocorrem de forma aleatória; no entanto, vários estudos têm demonstrado
que a variabilidade das propriedades físicas do solo apresenta dependência
espacial (Libardi et al. 1986).
Entretanto, com intuito de avaliar a variabilidade espacial de atributos
físicos do solo, o objetivo deste trabalho foi avaliar a variabilidade e a
correlação com os covariáveis ambientais. Os dados foram avaliados por
estatística descritiva e modelo Random Forest (RF).
Material e métodos
Os procedimentos metodológicos desse trabalho foram divididos em 4 etapas que
consistiram em: 1) Levantamento Bibliográfico; 2) Organização do Banco de Dados;
3) Processamento Digital de Imagens e Documentos Cartográficos; e 4) Mapeamento
Digital Aplicado a atributos do solo. As regiões Norte e Noroeste Fluminense
localizam-se entre as coordenadas 42°22´14´´; 40°57´33´´WG, e 22°26´21´´; 22°45
´47´´S (Figura 1), e possui uma área total de 17.573 km². Os pontos de
amostragem foram definidos com base no algoritmo conditioned Latin Hypercube
Sampling, definindo o total de 95 pontos, ressalta-se que o algoritmo tem como
critério os planos de informação de acessibilidade, 100 m de estrada e uso e
cobertura, proposto por Minasny & McBratney (2006), utilizando informações na
profundidade de 0-20 cm.Esta pesquisa utilizou o conjunto de dados de atributos
químicos e físicos de solos, resultante do banco de dados de pesquisas
realizadas no laboratório de Química e Poluição de Solo-UFRRJ. Os teores das
frações granulométricas (frações de areia, silte e argila), conforme métodos
propostos por Donagemma et al. (2011). A etapa de processamento digital de dados
e imagens da área de estudo foi realizada a partir do uso de geotecnologias,
utilizando-se como base, o Modelo Digital de Elevação Hidrologicamente
Consistente (MDE-HC) com resolução espacial de 30 m, processado no ArcGIS
Desktop v. 10.3, a partir de dados primários vetoriais de curvas de nível com
equidistância de 10 metros, pontos cotados, hidrografia, extraído da base
cartográfica do Instituto Brasileiro de Geografia e Estatística (IBGE)- escala
1:25.000. As covariáveis geomorfométricas de atributos de terreno foram obtidas
a partir do programa System for Automated Geoscientific Analyses (SAGA-GIS
v.2.1.2) (CONRAD, 2007). Para o processamento de índices de sensoriamento
remoto, foram utilizadas imagens do sensor TM do OLI/ Landsat 8, com resolução
espacial de 30 m, órbita/ponto 216-75, obtida em 08/11/2019, disponibilizados
National Aeronautics and Space Administration (NASA), United States Geological
Survey (USGS).
Como critério para seleção das covariáveis foi gerada análise de correlação de
Pearson via pacote (Corrplot) no programa RStudio (3.6.1), e selecionadas
através da matriz as covariáveis com o valor coeficiente de correlação positivo
e negativo maior ou igual a 0,05. Para averiguar a variabilidade espacial dos
teores dos elementos, optou-se por trabalhar com modelo regressão, dentre os
baseados em árvore de decisão, o Random Forest (RF), considerando o diferencial
desse modelo em ranking de importância de covariáveis ambientais. No
processamento de validação dos modelos, foi adotado como critério a validação
cruzada, via pacote Caret (KUHN et al. 2017). Os procedimentos estatísticos
foram implementados no software R (R Development Core Team, 2014). Nesse
sentido, foram ajustados os hiperparâmetros para o modelo RF: número de árvores
(ntree), e o número de covariáveis em divisão (mtry), assim adotaram-se como
critério os respectivos valores: 500 ntree (default) e 1/3 do conjunto de
covariáveis para cada elemento. Frisa-se que, nesta etapa ao total foram
utilizadas 18 covariáveis de entrada para utilização nos modelos preditivos,
sendo 14 covariáveis geomorfométricas (Catchment Area, Surface Area, Flow
Acumulation, Curvature, Profile Curvature, Plan Curvature, Slope, Geomorphos, LS
Factor, Topographic Wetness Index (TWI), Convergence Index, Relative Slope
(RSP),Terrain Ruggedness (TRI)), e 4 índices (Clay minerals, SAVI, NDVI, Iron
Oxide). Os mapas das covariáveis de entrada estão na projeção Coordenadas
Geográficas e Datum SIRGAS 2000.
Resultado e discussão
Os resultados do Coeficiente Linear de Pearson (r) indicam se as predições
apresentaram uma alta correlação positiva ou negativa entre os valores medidos e
os valores estimados. Nesse sentido, foram escolhidas as covariáveis com p valor
igual ou maior que 0,05. Para avaliar a importância e/ou peso de cada variável
(Figura 1), foi utilizado também no software RStudio (v. 3.4) via pacote
Corrplot.
Deste modo, as frações granulométricas apresentaram, potencialmente, uma
tendência para correlação positiva com as covariáveis preditoras topográficas
(TWI, LS fator, Convexity) e os índices (NDVI, Clay Minerals, Iron Oxide, SAVI).
Esse comportamento, provavelmente, se deve a função de variação explicativa da
dinâmica do material quanto ao relevo, sendo considerado como um fator os
aspectos: declive; formas de encostas (côncavas, convexas, retilínea); fluxo
superficial, entre outros. Uma das vantagens do modelo Random Forest é a função
"VarImport", que tem por objetivo indicar um ranking de medida de importância
das covariáveis ambientais preditoras do modelo (Figura 2), adotando como
critério " Out of Bag (OOB)", embasado no aumento do erro de predição. Conforme
Breiman (2001), a importância relativa das covariáveis preditoras são mensuradas
com base no decréscimo da acurácia da predição. De modo geral, as covariáveis
preditoras para os modelos apresentaram uma heterogeneidade na composição de
seus conjuntos. De acordo com o grau de importância para os atributos do solo,
verificou-se que as covariáveis ambientais provenientes de atributos
geomorfométricas de relevo, derivadas de MDE -HC, obtiveram maior influência em
relação aos índices provenientes das imagens Landsat-8. Nesse sentido, liderando
as primeiras posições no ranking por via de regra, destaca-se a covariáveis:
Curvature, Catchment Area, Geomorphos, Plan Curvature e das covariáveis
provenientes de índices Iron Oxide, SAVI e NDVI, no que tange ao fator de
influência sobre a explicação da variabilidade dos atributos (Figura 2).
Verificou-se que a conectividade das covariáveis como, por exemplo: Catchment
Area, Geomorphons, e Surface Area, foram importantes no que corresponde a
dinâmica das frações granulométricas e controle de processos pedogenéticos.
Esses resultados corroboram com o processo de transporte superficial e
subsuperficial desses elementos, e o comportamento de acúmulo e/ou perda no
solo. As covariáveis de índices provenientes de imagem Landsat 8, tais como:
NDVI e SAVI, apresentaram baixa influência na variação explicativa dos modelos.
Andrade (2010) e Pinheiro (2012), em estudos de áreas adjacentes frisam a menor
influência de covariáveis de imagens, e ressaltam a importância das covariáveis
provenientes de terreno em seus modelos. Andrade (2010) destaca, no mesmo
recorte espacial, porém, via Regressão Linear Múltipla para predição de
atributos, observou uma maior influência das covariáveis de relevo (Perfil de
curvatura e Índice de Umidade) na região Norte, associado a discussão de
variações em diferentes pedoformas, como principal responsável pelas variações
de atributos do solo. Na região Noroeste, destacou-se as covariáveis: Elevação;
Aspecto, e Índice de Umidade, em associação a característica de relevo
movimentado da região influenciando na variabilidade. A validação dos modelos
foi pelo método de validação cruzada via pacote Caret.
Acerca dos atributos físicos do solo, a fração argila apresentou distribuição
homogênea na região do Noroeste, em função da predominância de Argissolos e
Latossolos que, apresentam maior conteúdo de argila (SANTOS et al., 2018). Na
região Norte, verificou-se pontos acima de 359,51- 401,14 (mg kg-¹), próximo a
lagoa Feia e outros corpos hídricos, podendo estar associado a áreas de
deposição de material provenientes do relevo das partes mais altas visto que,
está sob material de depósitos do depósitos neogênicos e Quaternário. A
variabilidade espacial da argila é inversamente proporcional à da areia. Para
variabilidade da fração areia, verifica-se que, há predominância dessa fração em
relevo plano na região do Norte, nesse sentido a pedogênese está associado com o
regime climático e o fator de declividade. De acordo com CPRM (2011), o
material local tem formação de rochas sedimentares o que explica a predominância
da fração areia, atrelado aos aspectos climáticos classificado com Aw, que
favorece a via de formação de intemperismo físico-químico, com a presença de
solos Neossolo, Gleissolo, Espodossolo, intemperizados. A elevada concentração
da fração areia ao Norte, foi correlacionado com à proximidade de canais de rios
e solos jovens, conforme também frisado por Pinheiro (2018), em área adjacente
na bacia hidrográfica de Macacu. Entretanto, a fração de silte, é dada pela
diferença entre as frações de areia e argila, como se observa nas manchas no
mapa (Figura 3), apresentando maiores conteúdos nas zonas de agradação ao Norte,
sob solos como Gleissolos e Neossolos.
Figura 1. Matriz de correlação entre atributos físicos e covariáveis ambientais
Figura 2. Análise de importância das covariáveis preditoras para os atributos do solo (argila, areia e silte) "VarImport".
Figura 22. Mapeamento da variabilidade espacial da concentração de argila, areia e silte na camada superficial em solos.
Figura 22. Mapeamento da variabilidade espacial da concentração de argila, areia e silte na camada superficial em solos.
Considerações Finais
Constatou-se, que a partir do uso do modelo Random Forest que as covariáveis
geomorfométricas de terreno (Curvature, Catchment Area, Geomorphos), obtiveram
maior potencial preditivo correlação as covariáveis provenientes de sensoriamento
remoto. Ressalta-se a necessidade de mapeamento semidetalhado de áreas
prioritárias, com delineamento de malha amostral denso espacialmente, em função da
eficiência do modelo para a criação de mapas de atributos de solos. Além disso, a
variabilidade espacial dos atributos reflete na dinâmica de solo-paisagem, sendo
uma boa ferramenta para o planejamento/conhecimento de propriedades do solo e
manejo de agroecossistemas.
Agradecimentos
Referências
BREIMAN, L. Random forests. Machine Learning Journal. Hingham, v.45, p. 5-32, jan. 2001.
CARVALHO JUNIOR, W. D., CHAGAS, C. D. S., LAGACHERIE, P., CALDERANO FILHO, B., & BHERING, S. B. Evaluation of statistical and geostatistical models of digital soil properties mapping in tropical mountain regions. Revista Brasileira de Ciência do Solo, v. 38, n. 3, p. 706-717, 2014.
CIDE - Centro de Informações e Dados do Rio de Janeiro. Mapa de uso e cobertura do solo: Estado do Rio de Janeiro. Rio de Janeiro, escala 1:50.000. 2003.
CONRAD, O. SAGA – System für Automatisierte Geowissenschaftliche Analysen. Presentation held at FOSSGIS 2007, Berlin, Germany, 14. March 2007. Available from: http://www.fossgis.de/wiki/images/e/eb/Oconrad_fossgis2007_saga.pdf.
CPRM (Companhia de Pesquisa de Recursos Minerais). Mapa geológico e de recursos minerais do estado do Rio de Janeiro, escala 1:400.000. Belo Horizonte: CPRM, 2016. Disponível em http://rigeo.cprm.gov.br/xmlui/handle/doc/18458?show=full. Acessado em 20/12/2019.
DONAGEMMA, G. K.; CAMPOS, D. V. B.; CALDERANO, S. B.; TEIXEIRA, W. G.;VIANA, J. H. M. Manual de métodos de análise de solos. Segunda Edição. Rio de Janeiro, RJ: Embrapa Solos. 2011.
DOS SANTOS, H. G., JACOMINE, P. K. T., DOS ANJOS, L. H. C., DE OLIVEIRA, V. A., LUMBRERAS, J. F., COELHO, M. R.; CUNHA, T. J. F. Sistema brasileiro de classificação de solos. Brasília, DF: Embrapa, 2018.
LIBARDI, P.L.; PREVEDELLO, C.L.; PAULETTO, E.A.; MORAES, S.O. Variabilidade espacial da umidade, textura e densidade de partículas ao longo de uma transeção. Revista Brasileira de Ciência do Solo, Campinas, SP, v.10, n.2, p.85-90, 1986.
KUHN, M.; WING, J.; WESTON, S.; WILLIAMS, A.; KEEFER, C.; ENGELHARDT, A.; COOPER, T.; MAYER, Z.; KENKEL, B.; BENESTY, M.; LESCARBEAU, R.; ZIEM, A.; SCRUCCA, L.; TANG, Y.; CANDAN, C.; HUNT, T. caret: classification and regression training, 2017. Disponível em: https://cran.r-project.org/package=caret
MINASNY, B.; McBRATNEY, A. B. A conditioned Latin hypercube method for sampling inthe presence of ancillary information. Computers & Geosciences, v. 32. p. 1378-1388. 2006.
PINHEIRO, H. S. K. Mapeamento Digital de Solos por Redes Neurais Artificiais da Bacia Hidrográfica do Rio Guapi-Macacu, RJ. Dissertação (Mestrado em Agronomia, Ciência do Solo) - Instituto de Agronomia, Departamento de Solos, Universidade Federal Rural do Rio de Janeiro, Seropédica, RJ. p.151. 2012.
SILVA, L. C.; SILVA, H. C. Geologia do Estado do Rio de Janeiro. In: CPRM. Rio de Janeiro. CPRM – Serviço Geológico do Brasil: Rio de Janeiro. 1CD Rom, 2000.
SILVA, S. A; LIMA, J. S. S.; SILVA, A. F. Variabilidade espacial do fósforo e das frações granulométricas de um Latossolo Vermelho Amarelo. Revista Ciência Agronômica, 41:1-8, 2010.
ARTIGO EM PDF
