Resumen La modelación de áreas susceptibles a la pérdida de suelo por procesos hidroerosivos consiste en un instrumento simplificado de la realidad con el propósito de predecir comportamientos futuros a partir de la observación e interacción de un conjunto de factores geoambientales. En vista de lo anterior, el presente análisis tiene como objetivo predecir la susceptibilidad a la pérdida de suelo por evento hídrico y mapear las áreas con riesgo potencial de erosión, utilizando los principios de Regresión Logística Binaria (RLB) y Redes Neuronales Artificiales (RNA). Para ello, se definió la subcuenca del río Sete Voltas (330 km2) como área experimental en el municipio de Colorado do Oeste/RO, sur de la Amazonia brasileña. Inicialmente, se diseñó el mapa de inventario de erosión del suelo con 100 unidades de muestreo y 14 parámetros predictores que abarcaban aspectos ambientales, topográficos y geológicos. La susceptibilidad fue mapeada con base en cinco clases de referencia: muy baja, baja, moderada, alta y muy alta. La RNA obtuvo un área bajo la curva (AUC) de 0,808 y una precisión global del 79,2%; el modelo RLB presentó un AUC de 0,888 y una precisión global del 77%. Las áreas potencialmente susceptibles representan el 57,71% y el 54,80% del área para los modelos RLB y RNA, respectivamente. Los mayores riesgos potenciales se verifican en sitios sin cobertura vegetal asociada a prácticas agrícolas. La técnica demostró ser eficaz, con una precisión adecuada y con la ventaja de requerir menos tiempo y ser menos costosa en comparación con otros métodos. geoambientales anterior (RLB RNA. . (RNA) ello 330 (33 km2 km OesteRO Oeste RO Oeste/RO brasileña Inicialmente 10 1 ambientales geológicos referencia baja moderada (AUC 0808 0 808 0,80 79,2% 792 79 2 0888 888 0,88 77 77% 5771 57 71 57,71 5480 54 80 54,80 respectivamente agrícolas eficaz métodos (RNA 33 (3 080 0,8 79,2 7 088 88 577 5 57,7 548 8 54,8 3 ( 08 0, 79, 57, 54,
Abstract The modeling of areas susceptible to soil loss due to hydro-erosive processes consists of methods that simplify reality to predict future behavior based on the observation and interaction of a set of geoenvironmental factors. Thus, the objective of the current analysis is to predict susceptibility to soil loss and map areas with the potential risk of erosion using the principles of Binary Logistic Regression (BLR) and Artificial Neural Networks (ANN). The hydrographic sub-basin of the Sete Voltas River (330 km2), Rondônia, Brazil, was defined as the experimental area. Models were obtained using 100 sample units and 14 predictor parameters. Susceptibility was mapped based on five reference classes: very low, low, moderate, high, and very high. ANN obtained an area under the curve (AUC) of 0.808 and global precision of 79.2%, and the BLR model showed an AUC of 0.888 and global precision of 77%. Potentially susceptible areas represent 57.71% and 54.80% of the area for BLR and ANN models, respectively. The greatest potential risks are verified in places with no vegetation cover associated with agricultural practices. The technique proved to be effective, with adequate precision and the advantage of being less time-consuming and expensive than other methods. hydroerosive hydro erosive factors Thus (BLR ANN. . (ANN) subbasin sub basin 330 (33 km2, km2 km , km2) Rondônia Brazil 10 1 parameters classes low moderate high (AUC 0808 0 808 0.80 792 79 2 79.2% 0888 888 0.88 77 77% 5771 57 71 57.71 5480 54 80 54.80 models respectively practices effective timeconsuming time consuming (ANN 33 (3 080 0.8 7 79.2 088 88 577 5 57.7 548 8 54.8 3 ( 08 0. 79. 57. 54.
Resumo A modelagem de áreas suscetíveis à perda de solo por processos hidroerosivos consiste em um instrumento simplificado da realidade com a finalidade de prever comportamentos futuros a partir da observação e interação de um conjunto de fatores geoambientais. À face do exposto, a corrente análise tem como objetivo prever a suscetibilidade à perda de solo por evento hídrico e mapear as áreas com risco potencial de erosão, utilizando os princípios de Regressão Logística Binária (RLB) e Redes Neurais Artificiais (RNA). Para tanto, definiu-se a sub-bacia hidrográfica do rio Sete Voltas (330 km2) como área experimental no município de Colorado do Oeste/RO, sul da Amazônia brasileira. Inicialmente, foi concebido o mapa de inventário de erosão de solo com 100 unidades amostrais e 14 parâmetros preditores que englobasse aspectos ambientais, topográficos e geológicos. A suscetibilidade foi mapeada com base em cinco classes de referência: muito baixa, baixa, moderada, alta e muito alta. A RNA obteve área sob a curva (AUC) de 0,808 e precisão global de 79,2%; o modelo RLB apresentou AUC de 0,888 e precisão global de 77%. As áreas potencialmente susceptíveis representam 57,71% e 54,80% da área para os modelos RLB e RNA, respectivamente. Os maiores riscos potenciais são verificados em locais sem cobertura vegetal associada às práticas agrícolas. A técnica mostrou-se eficaz, com precisão adequada e com a vantagem de ser menos demorada e onerosa em relação a outros métodos. geoambientais exposto (RLB RNA. . (RNA) tanto definiuse definiu se subbacia sub bacia 330 (33 km2 km OesteRO Oeste RO Oeste/RO brasileira Inicialmente 10 1 ambientais geológicos referência baixa moderada (AUC 0808 0 808 0,80 79,2% 792 79 2 0888 888 0,88 77 77% 5771 57 71 57,71 5480 54 80 54,80 respectivamente agrícolas mostrouse mostrou eficaz métodos (RNA 33 (3 080 0,8 79,2 7 088 88 577 5 57,7 548 8 54,8 3 ( 08 0, 79, 57, 54,