Resumo O objetivo deste trabalho foi predizer a fertilidade do solo no polo agrícola do Estado do Rio de Janeiro, por meio da modelagem solo x paisagem. A área de estudo compreendeu as regiões mais produtivas do Estado do Rio de Janeiro: Norte, Noroeste e Serrana. Características químicas do solo - pH em H2O e capacidade de troca catiônica (CTC) - e ambientais - elevação, plano de curvatura, perfil de curvatura, índice de umidade, aspecto e declividade do terreno, além de tipos de solos, índice de vegetação normalizada (NDVI), imagens Landsat 7 e litologia - foram utilizadas como variáveis preditoras. A análise exploratória dos dados identificou valores extremos, os quais foram expurgados, na preparação para a análise por regressão linear múltipla (RLM). Aos resultados da RLM, foram adicionados os resultados de krigagem dos resíduos da regressão, com uma técnica de mapeamento digital de solos (MDS) denominada regressão-krigagem. Na região Serrana, as variáveis ambientais explicaram as variáveis químicas. A variável NDVI foi importante nas três regiões, o que evidencia a importância da cobertura vegetal para a predição da fertilidade do solo. Em geral, os solos analisados apresentaram baixo pH. Os valores de CTC, nas regiões estudadas, estão dentro do intervalo considerado bom para a fertilidade do solo.

Abstract The objective of this work was to predict soil fertility in the agricultural hub of the state of Rio de Janeiro, Brazil, using soil x landscape modeling. The studied area comprised the most productive regions of the state of Rio de Janeiro: northern, northwestern, and Serrana (highlands). Soil chemical traits - pH H2O and cation exchange capacity (CEC) - and environmental variables - elevation, plane of curvature, curvature profile, moisture content index, aspect and slope of the terrain, in addition to soil types, normalized difference vegetation index (NDVI), Landsat 7 images, and lithology - were used as prediction variables. Exploratory data analysis identified outliers, which were purged, in the preparation for analysis by multiple linear regression (MLR). The kriging results of the regression residuals were added to the results of MLR, using a soil digital mapping (SDM) technique known as regression-kriging. In the Serrana region, the environmental variables explained the chemical variables. The NDVI variable was significant in all three regions, showing the importance of vegetation cover for the prediction of soil fertility. Generally, the tested soils showed low pH. The CEC values in the studied regions are within the range considered good for soil fertility.

O solo é cada vez mais reconhecido como tendo um importante papel nos ecossistemas, assim como para a produção de alimentos e regulação do clima global. Por esse motivo, a demanda por informações relevantes e atualizadas em solos é crescente. Pesquisadores em ciência do solo estão sendo demandados a gerar informações em diferentes resoluções espaciais e com qualidade associada dentro do que está sendo chamado de Mapeamento Digital de Solos (MDS). Devido ao crescente número de trabalhos relacionados ao MDS, faz-se necessário reunir e discutir as principais características dos estudos relacionados ao mapeamento digital de classes de solos no Brasil, o que irá possibilitar uma perspectiva mais ampla dos caminhos, além de nortear trabalhos e demandas futuras. O mapeamento de classes de solos empregando técnicas de MDS é recente no país, com a primeira publicação em 2006. Entre as funções preditivas utilizadas, predomina o emprego da técnica de regressões logísticas. O fator de formação relevo foi empregado na totalidade dos estudos revisados. Quanto à avaliação da qualidade dos modelos preditivos, o emprego da matriz de erros e do índice kappa têm sido os procedimentos mais usuais. A consolidação dessa abordagem automatizada como ferramenta auxiliar ao mapeamento convencional passa pelo treinamento dos jovens pedólogos para a utilização de tecnologias da geoinformação e de ferramentas quantitativas dos aspectos de variabilidade do solo.

Soil is increasingly being recognized as having an important role in ecosystems, as well as for food production and global climate regulation. For this reason, the demand for relevant and updated soil information is increasing. Soil science researchers are being demanded to produce information in different spatial resolutions with associated quality in what is being called Digital Soil Mapping (DSM). Due to an increasing number of papers related to the DSM in Brazil, it is necessary to discuss the main characteristics of those studies related to the automated mapping of soil classes, which will enable a broader perspective of the subject and guide future works and demands. The mapping of soil classes using DSM techniques is recent in the country, the first publication in this topic occurred just in 2006. Among the predictive functions the predominant is logistic regression. The soil formation factor relief was used in all studies reviewed. Quality of predictive models was evaluated employing error matrix and kappa which were the most common procedures. The consolidation of this automated approach as an auxiliary tool to the conventional soil mapping will demand training of young soil scientists to use geoinformation technologies and quantitative tools to handle aspects of soil variability.

O objetivo deste trabalho foi definir a resolução espacial mais apropriada para representar a variabilidade da elevação, declividade, curvatura em perfil e índice de umidade topográfica de um terreno, por meio de avaliações com a transformada wavelet. Os dados utilizados no estudo têm sua origem em três transectos de 27 km, posicionados em áreas do Planalto, Rebordo do Planalto e Depressão Central na região central do Estado do Rio Grande do Sul. As variáveis - elevação, declividade, curvatura em perfil e índice de umidade topográfica - foram derivadas de um modelo digital de elevação Topodata com resolução de 30 m. A avaliação da resolução com a máxima variabilidade foi realizada pela aplicação da wavelet-mãe, denominada Morlet. Os resultados foram analisados a partir do isograma e do escalograma dos coeficientes wavelet e indicaram que sensores remotos com resolução espacial próxima a 32 e 40 m podem ser utilizados em pesquisas que considerem os atributos de terreno, como declividade, curvatura em perfil e índice de umidade topográfica, ou, ainda, fenômenos ambientais correlacionados a eles. No entanto, não foi possível estabelecer um valor conclusivo para a resolução espacial mais adequada para a variável elevação.

The objective of this work was to define the most appropriate spatial resolution to represent the variability of elevation, slope, profile curvature and topographic wetness index of a terrain by evaluations with the wavelet transform. Data used in the study have their origin in three 27-km transects, positioned in areas of the Planalto, Rebordo do Planalto and Depressão Central in the central region of Rio Grande do Sul state, Brazil. The variables - elevation, slope, profile curvature and topographic wetness index - were derived from a Topodata digital elevation model with 30 m resolution. The assessment of the resolution with the highest variability was evaluated through the application of the Morlet mother wavelet. The results were analyzed from the wavelet coefficients plotted in isograms and scalograms, and indicate that remote sensors with spatial resolution between 32 and 40 m should be used in researches considering terrain attributes as slope, profile curvature and topographic wetness index, or even environmental phenomena related to them. However, it was not possible to establish a conclusive value for a more appropriate spatial resolution to the attribute elevation.

O objetivo deste trabalho foi avaliar a possibildade de se gerar um menor conjunto de preditores não correlacionados e potencialmente aplicáveis ao mapeamento digital de solos, pelo uso da estatística multivariada. Os atributos de terreno, elevação, declividade, distância à drenagem, curvatura planar, curvatura de perfil, radiação relativa disponível, logaritmo natural da área de contribuição, índice de umidade topográfica e capacidade de transporte de sedimento, foram transformados pelo método Varimax nas variáveis: altimetria, hidrologia e curvatura. Essa transformação representou uma concentração de 65,57% da variabilidade dos dados originais nas três novas componentes. As novas variáveis possibilitam o emprego de menor quantidade de dados nos modelos preditivos, além do fato de serem não correlacionados. A rotação Varimax permite que a relação com o ambiente de formação do solo seja explicitamente inserida nos modelos preditivos.

The objective of this work was to assess the possibility of generating a smaller set of uncorrelated predictors, potentially applicable to digital soil mapping, by multivariate statistical analysis. The terrain attributes, elevation, slope, stream distance, planar curvature, profile curvature, relative available radiation, natural logarithm of the contributing area, topographic wetness index, and sediment transport capacity, were transformed by the Varimax method into the variables: altimetry, hydrology, and curvature. This transformation represented a variability concentration of 65.57% of the original data in the three new components. The new variables enable the use of a smaller amount of data set in prediction models, besides the fact that they are uncorrelated. Varimax rotation allows the relationship between environment and soil formation to be explicitly included in the prediction models.

Métodos mais eficazes para determinação do padrão de distribuição de classes de solo na paisagem precisam ser avaliados visando suprir a demanda por mapas de solo em escalas regional e global. Neste estudo, Regressões Logísticas Múltiplas foram utilizadas como modelos preditores em uma aplicação de Mapeamento Digital de Solos. Os modelos foram gerados utilizando um mapa de solos existente como variável dependente e atributos de terreno como variáveis independentes, o que possibilitou determinar a probabilidade de encontrar classes de solo na paisagem no primeiro e no segundo nível categórico do SiBCS. A qualidade dos mapas preditos foi verificada por meio da matriz de contingência. A classe dos Argissolos foi predita corretamente, em relação ao mapa original, em aproximadamente 85 %. As classes de solos hidromórficos (Planossolos e Gleissolos) foram preditas corretamente em 75 %. Houve confundimento dos modelos para as classes que ocupam posições muito semelhantes na paisagem. Foi verificado também que classes de solo pouco representativas na paisagem não são adequadamente espacializadas em razão da sensibilidade dos modelos logísticos à proporção relativa das amostras usadas para treinar os modelos.

More effective methodologies to determine the soil class distribution must be evaluated in order to meet the demand for soil maps at regional and global scales. In this study, logistic regressions were used as predictive models in an application of Digital Soil Mapping. The models were derived from an existing soil map as dependent variable and terrain attributes as independent variables. The probability of finding soil classes in the landscape at the 1st and 2nd Categorical Level of the Brazilian System of Soil Classification (SiBCS) was determined. The quality of the predicted map was tested using a contingency matrix. Approximately 85 % of the Acrisols (Argissolos) were correctly predicted, in relation to the original map. Of the hydromorphic soils, 75 % were correctly predicted. The prediction was inaccurate for classes in very similar positions in the landscape. It was also found that the non-representative soil classes of the landscape were not properly spatialized, due to sensitivity of the logistic models to the relative proportion of the samples used to adjust the models.