Eficiência do Autora: um algoritmo para delineamento automático de áreas de referência para suporte à amostragem otimizada de solos

Abstract

O algoritmo autoRA é uma metodologia baseada em dados projetada para delinear Áreas de Referência (ARs) que capturam fatores críticos de formação do solo, aprimorando os fluxos de trabalho de mapeamento digital do solo (MDS). Ao aproveitar o Índice de Dissimilaridade de Gower, o autoRA determina sistematicamente o tamanho ideal da área alvo e as configurações de resolução espacial, equilibrando desempenho preditivo e custo-benefício. Para avaliar sua eficácia, o autoRA foi testado em três cenários distintos. No primeiro cenário, realizado no Rio de Janeiro e na Flórida, examinamos o efeito da resolução espacial no cálculo do Índice de Gower e o impacto do tamanho da área-alvo no desempenho do modelo. O modelo preditivo foi desenvolvido para estimar uma Superfície Teórica Simulada (STS) usando uma única iteração. O Modelo de Área de Referência (MAR) ideal com uma área alvo de 50% e um tamanho de bloco de 10 pixels alcançou valores de Distância Euclidiana (DE) (0,15 no Rio de Janeiro e 0,38 na Flórida), aproximando-se dos resultados da amostragem exaustiva e reduzindo os custos em aproximadamente 61% e 63%, respectivamente. No segundo cenário, o autoRA foi aplicado a uma classificação de unidade de solo já mapeada em Sátiro Dias, Bahia, Brasil. Como este estudo teve uma AR delineada manualmente por um especialista e amostras de solo coletadas de acordo com uma estrutura completa de perfil de solo, a autoRA foi aplicada usando as mesmas covariáveis do especialista. Testamos ARs com 10%, 20%, 30%, 40% e 50%, cruzando os limites das ARs propostas com os locais reais das amostras de solo. As amostras internas foram usadas para treinamento do modelo, enquanto as amostras externas validaram a extrapolação das predições. Com 40% de cobertura de AR, o erro de predição usando autoRA foi menor do que o da AR delineada manualmente. Além disso, mapas de classe de solo gerados manualmente e via autoRA foram comparados com 100 iterações de modelagem Random Forest usando a abordagem MDS convencional, onde os conjuntos de dados foram divididos aleatoriamente (70% de treinamento, 30% de validação). Essa validação iterativa confirmou a robustez das previsões do autoRA. O terceiro cenário explorou diferentes proporções de pixels classificados como baixa e alta Dissimilaridade de Gower. A mesma abordagem de treinamento interno e validação externa foi aplicada. Os resultados demonstraram que o foco em regiões de alta dissimilaridade permitiu a redução das áreas amostradas, mantendo a precisão preditiva. A abordagem de Área Total (AT) também foi testada com tamanhos de amostra variando de 100 a 1.000. O modelo AT desenvolvido usando 100 iterações de divisões de 70% a 30% mostrou que a redução do tamanho da amostra resultou em uma melhoria de 20% na DE em comparação com o benchmark de 1.000 amostras. O conjunto de dados de 800 amostras foi identificado como a referência ideal para modelagem de AT. Para testar o efeito do mosaico de áreas de alta e baixa dissimilaridade, mantivemos o limite de melhoria de 20% no DE, usando 800 como uma nova referência. Os resultados demonstraram que um conjunto de dados de 600 amostras focado no RA

de 40% delineado pelo autoRA produziu métricas de ED comparáveis ao modelo previsto do AT- STS. A análise de sensibilidade usando simulações STS permitiu testes extensivos de configurações

de parâmetros, confirmando que as configurações de autoRA mais eficazes priorizam regiões de alta dissimilaridade. Tão importante quanto determinar o número de pontos para uma previsão precisa é decidir onde colocá-los. A abordagem autoRA responde a essa pergunta simulando várias configurações, fornecendo expectativas de precisão e custo, honrando o conhecimento da dissimilaridade da paisagem e evitando amostragem redundante.