Predição espacial das frações granulométricas do solo com base em variáveis topográficas, espectrais e aprendizado de máquina – estudo de caso: Projeto Salitre - BA

Abstract

O mapeamento digital de solos (MDS) tem se consolidado como uma ferramenta fundamental para estimar atributos do solo a partir de dados ambientais e espectrais, especialmente em regiões com falta de levantamentos detalhados, como o semiárido brasileiro. Diante desse cenário, este estudo avaliou a predição das frações granulométricas do solo (areia, silte e argila) a partir da integração de variáveis topográficas e dados espectrais dos sensores OLI/OLI-2 (Landsat 8 e 9), na área do Projeto Salitre, Bahia. Foram processadas covariáveis topográficas (declividade, curvaturas, índices hidrológicos) e espectrais (NDVI, NDMI, SAVI, OSAVI, BSI e bandas do espectro VIS–NIR–SWIR), associadas a 398 pontos amostrais da camada superficial do solo. Três modelos preditivos foram testados: Random Forest (RF), Regressão Linear Múltipla (RLM) e Árvore de Regressão (AR), sendo que o RF apresentou o melhor desempenho para areia e argila (R² de validação entre 0,52 e 0,58), refletindo a forte relação entre textura superficial e resposta espectral, enquanto a RLM apresentou desempenho intermediário e a AR contribuiu principalmente para a interpretação dos limiares ambientais. Os resultados indicam que variáveis espectrais, sobretudo índices de umidade e bandas SWIR, são os melhores preditores das frações granulométricas, ao passo que o silte apresentou baixa previsibilidade em todos os modelos. Assim, o estudo demonstrou o potencial prático do uso integrado de sensoriamento remoto e técnicas de machine learning para apoiar o mapeamento das frações granulométricas do solo em ambientes semiáridos, contribuindo para o planejamento agrícola e a gestão sustentável do uso da terra.