Mapeamento de solos com auxílio da geologia, atributos do terreno e índices espectrais integrados por redes neurais artificiais

Abstract

Resumo: O presente estudo tem como objetivo avaliar a utilização da geologia, atributos do terreno e índices espectrais em uma abordagem por redes neurais artificiais (RNA) para a predição de unidades de solos sobre a Formação Guabirotuba, aluviões e depósitos coluvionares secundários. O entendimento das relações entre solos, geologia e atributos do relevo, derivados de um modelo digital de elevação (MDE), através de tabulações cruzadas, forneceram as informações básicas necessárias para o delineamento de unidades preliminares de mapeamento de solos. A geologia, juntamente com atributos do relevo, indica as condições do ambiente e, a compreensão das interações entre estas variáveis ambientais e os solos fornece informações para o entendimento das relações entre as unidades de mapeamento dos solos e a paisagem. Os Latossolos apresentaram predominância de plano divergente e planar e perfil de curvatura retilíneo, plano divergente e perfil côncavo/retilíneo para os Cambissolos e, a associação Gleissolos e Organossolos predomina em plano convergente e perfil côncavo. A declividade foi o atributo que apresentou maior relação com as unidades de solos, pois as de caráter hidromórfico predominaram em declividade inferior a 3%, os Latossolos em declividades inferiores a 8% e os Cambissolos se localizaram em declividade até 20%. Os atributos topográficos secundários permitiram, mediante combinações dessas variáveis, por tabulação cruzada, o delineamento das pedoformas predominantes. O uso exclusivo desses atributos quantitativos não permitiu a distinção de somente 11% das pedopaisagens presentes na área. No entanto, as pedoformas delineadas apresentaram maiores detalhes espaciais que o delineamento das unidades utilizando metodologia convencional. Os mapas delineados pelo classificador por redes neurais artificiais (RNA) se mostraram bastantes semelhantes ao mapa delineado de forma convencional, apresentando correlação de até 0,88. Apresentaram também, mais detalhes espaciais do que o mapa de solos convencional, porque a variação ambiental pôde ser quantificada com maior detalhe. Além disso, a disponibilidade de dados mais detalhados sobre as variáveis ambientais utilizadas, permitiu identificar pequenos componentes na paisagem que são difíceis de serem caracterizados pelo mapeamento convencional. Outrossim, a RNA possibilitou a integração de dados de diferentes escalas e origens, o que também resultou em maior detalhamento espacial que o mapa convencional.

Abstract: This study aimed to evaluate the use of terrain attributes and remote sensing data in an approach by artificial neural networks for prediction of soils unities on Guabirotuba Fomation, floods and coluvionares deposits. The understanding of the relationship between soil, geology and relief attributes derived from a Digital Elevation Model, through cross tabulations, provided the basic information needed for the preliminary mapping units of soils. The geology along with topographic attributes indicate the conditions of the environment and the understanding of the interactions between these environmental variables and soil provides information to the understanding the relationship between the units of soils and the landscape. The secundary landform attributes allowed through cross tabulation combinations, the identification of predominant landform. But the exclusive use of these attributes not allowed the distinction of all units of soils in the area. However, the landforms outlined showed more spatial details than the manual drawing using conventional methodology. The map outlined by the classifier for neural networks was very similar to the map outlined the conventional way. These maps simulated by RNA showed more spatial detail than the map obtined by conventional methdology, because the environmental variation could be quantified in more detail. Also, the availability of more detailed data on the environmental variables identified small components used in the landscape that are difficult to characterise by conventional mapping.