Mapeamento digital de classes de solo usando dados topográficos e aero geofísicos na unidade hidrológica de planejamento do Rio Guandu-Mirim e Bacias litorâneas, RJ

Abstract

O mapeamento de solos é fundamental para o planejamento adequado de atividades relacionadas ao uso do solo, como agricultura, construção de estradas e edificações, ou zoneamento de áreas industriais, entre outras. No entanto, o mapeamento de solos envolve um trabalho extenso e custoso, que muitas vezes resulta em resultados pouco eficientes. Nesse sentido, ferramentas de mapeamento digital de solos têm sido utilizadas para aprimorar a qualidade, mensurar o erro intrínseco nos mapas de solos, e com uma melhor relação custo-benefício. Algumas das principais características e classificações do solo são influenciadas por fatores de sua formação, denominados fatores S.C.O.R.P.A.N., que representam Solo, Clima, Organismos, Relevo, Material Parental, Idade e Posição. Modelos digitais de elevação (MDE) e seus dados derivados são as covariáveis mais utilizadas para representar as condições topográficas, desempenhando um papel importante no mapeamento digital de solos. Feições topográficas como altimetria, declividade, curvatura e outras que representam o relevo de uma área são eficazmente utilizadas para prever características do solo. Como a maioria dos solos existentes são solos minerais, e sua composição mineral reflete suas propriedades e características, justifica-se o uso de covariaveis que reflitam diretamente caracteristicas do material de origem, como por exemplo, os Dados Aero Geofísicos (DAG), a fim de melhorar a qualidade do mapeamento digital de solos (MDS). O objetivo deste estudo foi utilizar dados topográficos e aero geofísicos para mapear a distribuição espacial das classes de solos na Unidade de Planejamento Hidrológico da Bacia do Rio Guandu-Mirim e Bacias Costeiras, no Rio de Janeiro, Brasil. Os modelos preditivos Decision Tree e Random Forest que obtiveram os melhores resultados estatísticos usaram DAG como covariáveis e obtiveram overall accuracy de 0,87 e 0,97 respectivamente. Dentre as covariáveis provenientes dos DAG, o Urânio apareceu entre as 10 covariáveis mais importantes para todos os modelos que utilizaram DAG. Os resultados obtidos indicam que o uso de DAG como representante do fator de formação material de origem pode contribuir para a obtenção de mapas mais precisos.