Geomorphometric variables are applied in digital soil mapping because of their strong correlation with the disposition and distribution of pedological components of the landscapes. In this research, the relationship between environmental components of tropical hillslope areas in the Rio de Janeiro State, Brazil, artificial neural networks (ANN), and maximum likelihood algorithm (MaxLike) were evaluated with the aid of geoprocessing techniques. ANN and MaxLike were applied to soilscape mapping and the results were compared to the original map. The ANN architectures with seven and five neurons in the hidden layer produced the best classifications when using samples obtained systematically. When random samples were applied, the best neural net architectures were within 22 and 16 neurons in the hidden layer. In conclusion, the ANN can contribute to soilscape surveys, making map delineation faster and less expensive. The digital elevation model (DEM) and its derived attributes can contribute to the understanding of the soil-landscape relationship of tropical hillslope areas; the use of artificial neural networks and MaxLike is feasible for digital soilscape mapping. The systematic sampling method provided a global accuracy of 70 % and 65.9 % for the ANN and the MaxLike, respectively. When the random sampling method was applied, the ANN had a global accuracy of 69.6 %, and the MaxLike had an accuracy of 62.1 %, considering the total study area in relation to the reference map.

O presente estudo foi desenvolvido com o objetivo de compreender a organização dos solos de paisagens dos mares de morros, reconhecer seus padrões e subsidiar seu mapeamento. A área de estudo situa-se na Região Noroeste fluminense, englobada pela folha topográfica Varre Sai do IBGE, que abrange parte dos municípios de Natividade, Porciúncula e Varre Sai. Para isso foram avaliadas as feições geomorfométricas que definem um padrão geomórfico das paisagens, sendo composta por altimetria, altimetria relativa, aspecto, curvatura, curvatura plana, perfil de curvatura, declividade, sentido do escoamento, escoamento acumulado e distância euclidiana da drenagem, sendo todas estas feições obtidas por técnicas de geoprocessamento. Todos os atributos foram obtidos a partir do modelo digital de elevação e, em razão disso, os dados primários de elevação foram os mais precisos possíveis. Através destes atributos geomorfométricos elaborou-se um padrão geomorfométrico das paisagens definidas e foram conduzidas classificações supervisionadas, utilizando-se redes neurais artificiais e o algoritmo de máxima verossimilhança, para fins de comparação. Os resultados mostraram ser possível a utilização de redes neurais artificiais para a classificação de paisagens de áreas montanhosas sob dissecação homogênea, com uma exatidão global de 70%, um pouco acima daquela obtida pelo algoritmo de máxima verossimilhança, que obteve uma exatidão global de aproximadamente 66%. Este estudo mostrou que a utilização de técnicas de geoprocessamento para gerar os atributos geomorfométricos, aliados a classificadores supervisionados, pode subsidiar o delineamento dos levantamentos de solos, tornando-os mais rápidos, menos dependentes da experiência do mapeador e menos onerosos, diminuindo a subjetividade dos mesmos. Constitui-se de uma abordagem nova no Brasil, que deve ser estendida para outras áreas com informações mais precisas de altimetria, para testar a sua eficácia.

A faixa atlântica brasileira possui extrema diversidade ambiental, onde é expressiva a ocorrência de Argissolos, descritos e identifcados em diversos estudos, sem que tenham sido exauridas as possibilidades de interpretações. O objetivo deste estudo foi avaliar, por meio da análise multivariada, as principais diferenças nos atributos físicos e químicos de Argissolos da faixa atlântica brasileira. Foram analisados 91 perfis de solos oriundos de levantamentos pedológicos realizados pelo Projeto RADAMBRASIL, agrupados em três domínios geomorfológicos distintos: Planaltos Soerguidos, Planaltos Rebaixados e Tabuleiros Costeiros, por meio da análise de componentes principais e análise de função discriminante. Para isso, foram selecionadas 14 variáveis para identificar as peculiaridades de cada grupo geomorfológico e suas principais diferenças. A análise dos componentes principais demonstrou que os cinco primeiros componentes respondem por aproximadamente 70 % da variação dos dados. A análise integrada confirmou que os Argissolos dos Planaltos Soerguidos são mais rasos, associando maiores taxas de erosão com menor espessura dos horizontes Bt, e são quimicamente pobres, embora mais rejuvenescidos e rasos. Já os Argissolos nos Planaltos Rebaixados, submetidos a um clima mais seco e, ou, sazonal que os situados nos Planaltos Soerguidos e Tabuleiros Costeiros, mostram-se menos intemperizados e com maior CTC. As análises realizadas (componentes principais e análise discriminante) permitem melhor entender as relações geomorfopedológicas dos Argissolos nos diferentes domínios estudados.

Geomorphometric variables are applied in digital soil mapping because of their strong correlation with the disposition and distribution of pedological components of the landscapes. In this research, the relationship between environmental components of tropical hillslope areas in the Rio de Janeiro State, Brazil, artificial neural networks (ANN), and maximum likelihood algorithm (MaxLike) were evaluated with the aid of geoprocessing techniques. ANN and MaxLike were applied to soilscape mapping and the results were compared to the original map. The ANN architectures with seven and five neurons in the hidden layer produced the best classifications when using samples obtained systematically. When random samples were applied, the best neural net architectures were within 22 and 16 neurons in the hidden layer. In conclusion, the ANN can contribute to soilscape surveys, making map delineation faster and less expensive. The digital elevation model (DEM) and its derived attributes can contribute to the understanding of the soil-landscape relationship of tropical hillslope areas; the use of artificial neural networks and MaxLike is feasible for digital soilscape mapping. The systematic sampling method provided a global accuracy of 70 % and 65.9 % for the ANN and the MaxLike, respectively. When the random sampling method was applied, the ANN had a global accuracy of 69.6 %, and the MaxLike had an accuracy of 62.1 %, considering the total study area in relation to the reference map.

ABSTRACT Notwithstanding the importance of soil surveys, advances in digital soil mapping have mainly focused on mapping soil attributes or properties rather than developing digital maps of soil units or soil classes. The purpose of this research was to develop digital soil unit maps based on primary soil data collection in areas without previously collected soil information. The covariate variability, the random effect across the data subset and the map outputs were the focuses of this study. We used five datasets with four models (Random Forest - RF, Gradient Boosted Machine - GBM, C5.0, and multinomial log-linear model - MLR). The covariates were grouped into five datasets, where four were grouped by Region Of Interest per Class (ROIC) and one was not grouped by ROIC. To evaluate the random effect to split the dataset, we ran each model 50 times and observed the overall accuracy (OA) and kappa index, and uncertainty, majority and variety maps. The OA of Dataset01 to 04 was lower than to Dataset05 accuracy. However, map outputs of RF and GBM for Dataset01 and Dataset05 had the same majority prediction. It seems that RF and GBM produce consistent results in map outputs according to this methodology and pedologist expertise. To evaluate the uncertainty and the consistency of soil unit prediction, we used the majority maps process. Random Forest, similar to GBM, presented the best results. The increase in the number of covariates was not a guarantee of improvement in the OA or in the quality of the map output. Geographic position and distance raster did not improve the map output according to expert evaluation. Because the variance between the ROICs, when the training and validation datasets were split based on it, the subsets are quite different in relation to the covariates, and this is the reason for the worse results of this model, comparing with the Dataset05. On the other hand, when considering one complete dataset not based on ROICs, the variance of training and validation subsets is lower and produced more accurate parameters of quality.

A faixa atlântica brasileira possui extrema diversidade ambiental, onde é expressiva a ocorrência de Argissolos, descritos e identifcados em diversos estudos, sem que tenham sido exauridas as possibilidades de interpretações. O objetivo deste estudo foi avaliar, por meio da análise multivariada, as principais diferenças nos atributos físicos e químicos de Argissolos da faixa atlântica brasileira. Foram analisados 91 perfis de solos oriundos de levantamentos pedológicos realizados pelo Projeto RADAMBRASIL, agrupados em três domínios geomorfológicos distintos: Planaltos Soerguidos, Planaltos Rebaixados e Tabuleiros Costeiros, por meio da análise de componentes principais e análise de função discriminante. Para isso, foram selecionadas 14 variáveis para identificar as peculiaridades de cada grupo geomorfológico e suas principais diferenças. A análise dos componentes principais demonstrou que os cinco primeiros componentes respondem por aproximadamente 70 % da variação dos dados. A análise integrada confirmou que os Argissolos dos Planaltos Soerguidos são mais rasos, associando maiores taxas de erosão com menor espessura dos horizontes Bt, e são quimicamente pobres, embora mais rejuvenescidos e rasos. Já os Argissolos nos Planaltos Rebaixados, submetidos a um clima mais seco e, ou, sazonal que os situados nos Planaltos Soerguidos e Tabuleiros Costeiros, mostram-se menos intemperizados e com maior CTC. As análises realizadas (componentes principais e análise discriminante) permitem melhor entender as relações geomorfopedológicas dos Argissolos nos diferentes domínios estudados.

A amostragem é uma das etapas mais importantes dos levantamentos de solos. No entanto, os esquemas de amostragem utilizados nos levantamentos convencionais têm se evidenciado inadequados para o mapeamento digital de solos, pois podem comprometer os resultados e, além disso, não possibilitam a realização de análises estatísticas. Este estudo teve por objetivo avaliar o método de amostragem do hipercubo latino condicionado (cLHS, sigla em inglês), na presença de covariáveis ambientais (elevação, declividade, curvatura e mapa de uso e cobertura do solo), em comparação com a amostragem aleatória, na alocação de 100 pontos amostrais, buscando maior representatividade das características ambientais da bacia do rio Guapi-Macacu. O desempenho dos métodos foi avaliado pela análise qualitativa dos histogramas de frequência e das análises estatísticas pelos testes F, T de Student e Kolmogorov-Smirnov (K-S), para cada covariável. Os resultados apresentaram que os pontos selecionados pelo método cLHS possuíam distribuição geográfica mais adequada do que aqueles obtidos pela amostragem aleatória. Além disso, o método cLHS preservou mais a distribuição de frequência das covariáveis contínuas do que a amostragem aleatória; para covariável categórica uso e cobertura do solo os métodos foram equivalentes. Os testes estatísticos confirmaram o melhor desempenho do método cLHS, cujas amostras não diferiram estatisticamente da bacia. Entretanto, a amostragem aleatória apresentou diferença estatística para com a bacia, para todas as covariáveis contínuas para pelo menos um dos testes utilizados. Assim, o método cLHS pode ser considerado como um método satisfatório para seleção de locais de amostragem em áreas heterogêneas similares as deste estudo, visando a utilização no mapeamento digital de solos.

Soil properties have an enormous impact on economic and environmental aspects of agricultural production. Quantitative relationships between soil properties and the factors that influence their variability are the basis of digital soil mapping. The predictive models of soil properties evaluated in this work are statistical (multiple linear regression-MLR) and geostatistical (ordinary kriging and co-kriging). The study was conducted in the municipality of Bom Jardim, RJ, using a soil database with 208 sampling points. Predictive models were evaluated for sand, silt and clay fractions, pH in water and organic carbon at six depths according to the specifications of the consortium of digital soil mapping at the global level (GlobalSoilMap). Continuous covariates and categorical predictors were used and their contributions to the model assessed. Only the environmental covariates elevation, aspect, stream power index (SPI), soil wetness index (SWI), normalized difference vegetation index (NDVI), and b3/b2 band ratio were significantly correlated with soil properties. The predictive models had a mean coefficient of determination of 0.21. Best results were obtained with the geostatistical predictive models, where the highest coefficient of determination 0.43 was associated with sand properties between 60 to 100 cm deep. The use of a sparse data set of soil properties for digital mapping can explain only part of the spatial variation of these properties. The results may be related to the sampling density and the quantity and quality of the environmental covariates and predictive models used.

Resumo O objetivo deste trabalho foi o desenvolvimento de modelos com diferentes conjuntos de dados, para estimar a densidade de solos de regiões tropicais montanhosas, a partir de atributos de solos comumente encontrados nas análises de perfis de solos descritos nos levantamentos regionais. O conjunto total de dados compõe-se de 163 amostras e foi dividido em seis grupamentos, dos quais três com 73 amostras, com o máximo de 32 covariáveis, e três com 163 amostras, com o máximo de 18 covariáveis. Testaram-se modelos de regressão linear múltipla (RLM) e randomForest (RF). A menor incerteza entre os modelos foi alcançada pelo RLM2, com R2 de 0,56, 13 covariáveis e 73 amostras. Nos grupamentos com 163 amostras, os melhores modelos foram os RF, com R2 médio de 0,48. A raiz quadrada da média do erro ao quadrado variou entre 0,09 e 0,14. As covariáveis mais importantes no modelo RF foram: carbono orgânico, hidrogênio, areia fina e grossa, saturação por bases e capacidade de troca catiônica. Pelo método "stepwise regression", as variáveis mais importantes foram: a relação silte/argila; areia grossa e fina; carbono orgânico; saturação por bases; e potássio.

No presente estudo, foi realizada uma avaliação de diferentes variáveis ambientais no mapeamento digital de solos em uma região no norte do Estado de Minas Gerais, utilizando redes neurais artificiais (RNA). Os atributos do terreno declividade e índice topográfico combinado (CTI), derivados de um modelo digital de elevação, três bandas do sensor Quickbird e um mapa de litologia foram combinados, e a importância de cada variável para discriminação das unidades de mapeamento foi avaliada. O simulador de redes neurais utilizado foi o "Java Neural Network Simulator", e o algoritmo de aprendizado, o "backpropagation". Para cada conjunto testado, foi selecionada uma RNA para a predição das unidades de mapeamento; os mapas gerados por esses conjuntos foram comparados com um mapa de solos produzido com o método convencional, para determinação da concordância entre as classificações. Essa comparação mostrou que o mapa produzido com o uso de todas as variáveis ambientais (declividade, índice CTI, bandas 1, 2 e 3 do Quickbird e litologia) obteve desempenho superior (67,4 % de concordância) ao dos mapas produzidos pelos demais conjuntos de variáveis. Das variáveis utilizadas, a declividade foi a que contribuiu com maior peso, pois, quando suprimida da análise, os resultados da concordância foram os mais baixos (33,7 %). Os resultados demonstraram que a abordagem utilizada pode contribuir para superar alguns dos problemas do mapeamento de solos no Brasil, especialmente em escalas maiores que 1:25.000, tornando sua execução mais rápida e mais barata, sobretudo se houver disponibilidade de dados de sensores remotos de alta resolução espacial a custos mais baixos e facilidade de obtenção dos atributos do terreno nos sistemas de informação geográfica (SIG).