ABSTRACT: Users of soil survey products are mostly interested in understanding how soil properties vary in space and time. The aim of digital soil mapping (DSM) is to represent the spatial variability of soil properties quantitatively to support decision-making. The goal of this study is to evaluate DSM techniques (Regression Trees - RT and Multiple Linear Regressions - MLR) and the ability of these tools to predict mineral fraction content under a wide variability of landscapes. The study site was the entire Guapi-Macacu watershed (1,250.78 km2) in the state of Rio de Janeiro in the Southeast region of Brazil. Terrain attributes and remote sensing data (with 30 m of spatial resolution) were used to represent landscape co-variables selected as an input in predictive models in order to develop the explanatory variables. The selection of sampling sites was based on the Latin Hypercube algorithm. A representative set of one hundred points with feasible field access was chosen. Different input databases were tested for prediction of mineral fraction content (harmonized and original data). The Spline algorithm was used to harmonize data according to the GlobalSoil. Net consortium standards. The results showed better performance from the RT models, using input from an average of six covariates; the simplest MLR model used twice as many input variables, creating more complex models without gaining precision. Furthermore, better R2 values were obtained using RT models, irrespective of harmonization of soil data. The harmonized dataset from the 0.00-0.05 and 0.05-0.15 m layers, in general, presented better results for the clay and silt, with R2 values of 0.52 (0.00-0.05 m) and 0.69 (0.05-0.15 m), respectively. Prediction of sand content showed better results when the original depth data was used as an input, although all regression tree models had R2 values greater than 0.52. The RT models provided a better statistical index than MLR for all predicted properties; however, the variance between models suggests similarity of performance. Regarding harmonization of soil data, both input databases (harmonized or not) can be used to predict soil properties, since the variance of model performance was low and generalization of the soil maps showed similar trends. The products obtained from the digital soil mapping approach make it possible to integrate the factor of uncertainties, providing easier interpretation for soil management and land use decisions.

ABSTRACT: Planning sustainable use of land resources requires reliable information about spatial distribution of soil physical and chemical properties related to environmental processes and ecosystemic functions. In this context, cation exchange capacity (CEC) is a fundamental soil quality indicator; however, it takes money and time to obtain this data. Although many studies have been conducted to spatially quantify soil properties on various scales and in different environments, not much is known about interactions between soil properties and environmental covariates in the Brazilian semiarid region. The goal of this study was to evaluate the efficiency of random forest and cokriging models applied to predict CEC in the Brazilian semiarid region. The covariates used to predict CEC consist of images from Landsat 5 TM and a legacy soil map (scale 1:10,000). The sample set comprises 499 samples from the topsoil layer (0.00-0.20 m), where 375 samples were used in training processes and 124 as validation samples. The cokriging model (R2 = 0.57 and RMSE = 7.22 cmolc kg-1) performed better in predicting CEC than the random forest model (R2 = 0.47 and RMSE = 7.89 cmolc kg-1). The approach used showed potential for estimating CEC content in the Brazilian semiarid region by using covariates obtained from orbital remote sensing and the legacy soil map.

Resumo O objetivo deste trabalho foi avaliar ferramentas pedométricas para caracterização da composição granulométrica (areia, silte e argila) e comparação de perfis de solos hidromórficos. O estudo foi realizado na bacia hidrográfica do rio Guapi-Macacu, RJ. Foram aplicados o algoritmo "slice-wise" para o fatiamento do perfil em intervalos de 1 cm, e a função "spline" para harmonizar o conjunto de dados segundo seis intervalos de profundidade predefinidos. A análise do conjunto de perfis, por meio das funções de profundidade (slice-wise e spline) e de dendrograma de dissimilaridade, revelou que Planossolos e Gleissolos são relativamente rasos e apresentam camadas arenosas nos horizontes superficiais e teores de argila e silte irregulares em subsuperficie. Essas duas ordens ocorrem na área da bacia hidrográfica geralmente em planícies aluviais, em vales e em sopés de elevação. Os Neossolos Flúvicos apresentaram maiores quantidades de argila e silte em superfície, as quais decrescem em profundidade, e são mais profundos e ocorrem nos terraços aluviais. A abordagem permitiu descrever a variabilidade da textura dos solos hidromórficos em perfil e realizar a análise de similaridade entre as ordens, o que pode apoiar a distinção de fases em unidades de mapeamento e a identificação de critérios quantitativos para a classificação dos solos.

Abstract The objective of this work was to evaluate pedometric tools to characterize the particle size distribution (sand, silt, and clay) and to compare the profiles of hydromorphic soils. The study was carried out in the Guapi-Macacu watershed, in the state of Rio de Janeiro, Brazil. The slice-wise algorithm was applied to slice the profile data at 1-cm intervals, and the equal-area spline function for database harmonization, according to six predefined depth intervals. The analysis of the soil profile collection, using the soil-depth functions (slice-wise and spline) and the similarity analysis, revealed that Alfisols and Entisols are relatively shallow and have coarse texture in the topsoil layer and a more irregular distribution of clay and silt along the soil profile. These two orders usually occur in the watershed area related to floodplains, valleys, and footslopes. Fluvisols had higher amounts of clay and silt in the topsoil layer, which decrease with soil depth, and they are deeper and occur in alluvial terraces. The approach allowed to characterize the variability of texture along hydromorphical soil profiles and to perform a similarity analysis between soil orders, which can support the differentiation of soil mapping units and the identification of quantitative criteria for soil classification.

Resumo O objetivo deste trabalho foi avaliar a influência da resolução espacial do modelo digital de elevação e da eficiência de modelos Random Forest sobre a predição dos teores de areia, argila e carbono orgânico, com uso de número reduzido de amostras. O trabalho foi realizado em área de Cerrado com diversidade litológica, no Estado do Mato Grosso do Sul, tendo-se utilizado atributos morfométricos, dados do sensor TM Landsat 5 e litologia como covariáveis preditoras. Dados da camada superficial (0,0-0,2 m) de 175 perfis de solos (0,009 perfis km-2) e de 26 covariáveis preditoras foram utilizados com resolução espacial de 30 (conjunto 1) e 90 m (conjunto 2). A análise realizada pelo Random Forest mostrou que as covariáveis de nível de base do canal de drenagem, da elevação e da litologia foram as mais importantes para explicar a variabilidade. A validação dos modelos apresentou similaridade entre os conjuntos quanto à predição de areia, argila e carbono orgânico, o que explica os seguintes valores de variabilidade espacial, respectivamente: 44, 40 e 33%, para a resolução de 30 m; e de 45, 46 e 33%, para a resolução de 90 m. A resolução espacial das covariáveis preditoras tem pouca influência sobre a predição dos atributos, e a abordagem por Random Forest apresenta potencial de utilização para estimar atributos do solo.

Abstract The objective of this work was to evaluate the effect of the digital elevation model spatial resolution and of the efficiency of Random Forest models on the prediction of sand, clay, and organic carbon contents, using few soil samples. The study was carried out in a Cerrado area with lithological diversity, in the state of Mato Grosso do Sul, Brazil, using morphometric attributes, TM Landsat 5 sensor data, and lithology as predictive covariates. The surface layer data (0.0-0.2 m) of 175 soil profiles (0,009 profiles km-2) and of 26 predictor covariates were used with 30 (set 1) and 90-m (set 2) spatial resolutions. The performed analysis by Random Forest models showed that channel base level, elevation, and lithology were the most important ones to explain the variability. The validation of the models showed similarity among sets for the prediction of sand, clay, and organic carbon contents, which explains the following values of spatial variability, respectively: 44, 40, and 33%, for the spatial resolution of 30 m; and 45, 46, and 33%, for the spatial resolution of 90 m. The spatial resolution of the predictive covariates has little effect on attribute predictions, and the Random Forest approach has potential use for estimating soil properties.

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.

Abstract The objective of this work was the development of models with different sets of data for estimating soil bulk density in tropical mountainous regions, from soil attributes commonly found in the analyses of soil profiles described in regional surveys. The complete dataset is composed of 163 samples and it was divided into six groups, of which three groups have 73 samples and the maximum of 32 covariables, and three have 163 samples and the maximum of 18 covariables. The linear regression (RLM) and randomForest (RF) models were tested. The lowest uncertainty between the models was achieved by RLM2, with R2 of 0.56, 13 covariables, and 73 samples. Considering the groups with 163 samples, the best models were the RFs with mean R2 of 0.48. The root mean squared error ranged between 0.09 and 0.14. The most important covariables in the RF model were: organic carbon, hydrogen, fine and coarse sand, base saturation, and cation exchange capacity. By the stepwise backward regression, the main covariables were: silt and clay relation; fine and coarse sand; organic carbon; base saturation; and potassium.

ABSTRACT Digital soil mapping is an alternative for the recognition of soil classes in areas where pedological surveys are not available. The main aim of this study was to obtain a digital soil map using artificial neural networks (ANN) and environmental variables that express soil-landscape relationships. This study was carried out in an area of 11,072 ha located in the Barra Bonita municipality, state of São Paulo, Brazil. A soil survey was obtained from a reference area of approximately 500 ha located in the center of the area studied. With the mapping units identified together with the environmental variables elevation, slope, slope plan, slope profile, convergence index, geology and geomorphic surfaces, a supervised classification by ANN was implemented. The neural network simulator used was the Java NNS with the learning algorithm "back propagation." Reference points were collected for evaluating the performance of the digital map produced. The occurrence of soils in the landscape obtained in the reference area was observed in the following digital classification: medium-textured soils at the highest positions of the landscape, originating from sandstone, and clayey loam soils in the end thirds of the hillsides due to the greater presence of basalt. The variables elevation and slope were the most important factors for discriminating soil class through the ANN. An accuracy level of 82% between the reference points and the digital classification was observed. The methodology proposed allowed for a preliminary soil classification of an area not previously mapped using mapping units obtained in a reference area.

A informação de solo é necessária para o gerenciamento do ambiente agrícola. O objetivo deste trabalho foi aplicar redes neurais artificiais (RNAs) para a predição de classes de solos, utilizando como fonte de dados produtos de sensores remotos orbitais, atributos do terreno derivados de um modelo digital de elevação e informação da geologia local, visando avaliar a utilização dessa abordagem no mapeamento digital de solos, em área com elevado grau de diversidade litológica na Serra do Mar. O simulador de redes neurais utilizado foi o JavaNNS e o algoritmo de aprendizado, o backpropagation . Para a predição das classes de solos, testaram-se diferentes combinações entre as variáveis discriminantes selecionadas: elevação, declividade, aspecto, curvatura, plano de curvatura, perfil de curvatura, índice topográfico, radiação solar, fator topográfico LS, informações da geologia local e índices minerais de argila, óxidos de ferro e vegetação por diferença normalizada (NDVI), derivados de uma imagem do sensor ETM+ do LANDSAT 7. Dos conjuntos testados, os melhores resultados foram obtidos com todas as variáveis discriminantes associadas às informações de geologia, alcançando exatidão global entre 93,2 e 95,6 % e índice Kappa entre 0,924 e 0,951 (conjunto 13). Excluindo a variável perfil de curvatura (conjunto 12), a exatidão global alcançada oscilou entre 93,9 e 95,4 % e o Kappa entre 0,932 e 0,948. Os mapas inferidos pelo classificador por redes neurais evidenciaram coerência e semelhança com o mapa de solos convencional, produzido para área de estudo, apresentando porém, mais detalhes espaciais. Os resultados apresentaram o potencial de utilização de RNAs na predição de classes de solos de áreas montanhosas com diversidade litológica.

Soil information is needed for managing the agricultural environment. The aim of this study was to apply artificial neural networks (ANNs) for the prediction of soil classes using orbital remote sensing products, terrain attributes derived from a digital elevation model and local geology information as data sources. This approach to digital soil mapping was evaluated in an area with a high degree of lithologic diversity in the Serra do Mar. The neural network simulator used in this study was JavaNNS and the backpropagation learning algorithm. For soil class prediction, different combinations of the selected discriminant variables were tested: elevation, declivity, aspect, curvature, curvature plan, curvature profile, topographic index, solar radiation, LS topographic factor, local geology information, and clay mineral indices, iron oxides and the normalized difference vegetation index (NDVI) derived from an image of a Landsat-7 Enhanced Thematic Mapper Plus (ETM+) sensor. With the tested sets, best results were obtained when all discriminant variables were associated with geological information (overall accuracy 93.2 - 95.6 %, Kappa index 0.924 - 0.951, for set 13). Excluding the variable profile curvature (set 12), overall accuracy ranged from 93.9 to 95.4 % and the Kappa index from 0.932 to 0.948. The maps based on the neural network classifier were consistent and similar to conventional soil maps drawn for the study area, although with more spatial details. The results show the potential of ANNs for soil class prediction in mountainous areas with lithological diversity.

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 sampling is one of the most important stages in soil surveys. However, in conventional soil surveys, sampling schemes have proven to be inadequate for digital soil mapping because they may affect the results obtained and, in addition, they do not allow statistical estimations to be performed. This study attempts to evaluate the conditioned Latin Hypercube Sampling (cLHS) method with four environmental covariates (elevation, slope, curvature and land cover/land use map), in comparison to random sampling, in allocating 100 sample points, seeking a more representative description of the environmental characteristics of the Macacu watershed area. The performance of the methods was evaluated by qualitative assessment of histograms of distribution, and statistical analyses by the F test, Student T Test and Kolmogorov-Smirnov test (K-S) for each covariable. The sampling points selected by the cLHS method showed better geographic distribution than those obtained by random sampling. Furthermore, the cLHS method better maintained the frequency distribution of the continuous covariables than random sampling did, and the categorical covariable of land cover/land use showed no significance differences between the cLHS and random methods. Statistical analysis confirmed the better performance of the cLHS method compared to the random method, and the cLHS samples showed no significance differences from the watershed data. In contrast, the random samples showed significance differences from the watershed data for all the continuous covariables for at least one of the statistical tests used. Thus, the cLHS method is a satisfactory method for selecting points for soil sampling in heterogeneous areas, like those of the present study, for the purpose of use in digital soil mapping.

O trabalho teve como objetivo apresentar uma proposta metodológica para o zoneamento agroecológico do Estado do Mato Grosso do Sul, tendo como estudo de caso o município de Bandeirantes. Foram utilizadas geotecnologias, tais como: imagens de satélite (Landast 5), sistema de posicionamento global, sistemas de informação geográfica, cartografia digital e software de processamento digital de imagens, visando construir parâmetros ambientais para uma análise integrada de dados, associados com atributos do terreno derivados de um modelo digital de elevação, dados de propriedades dos solos e de clima. Estas geotecnologias foram empregadas para calcular e espacializar o potencial natural de erosão das terras, a fertilidade natural, drenagem interna e a capacidade de retenção de umidade dos solos. A análise integrada dos parâmetros ambientais, do uso atual das terras e da espacialização da legislação ambiental, permitiu estratificar o município em diferentes zonas agroecológicas recomendadas para o uso agrícola; para o uso com pastagens; para a conservação dos recursos naturais e para a recuperação ambiental. No município de Bandeirantes as zonas agroecológicas recomendadas para o uso com lavouras somam 1.150 km2 (37%) e para pastagens 1.658 km2 (53%), As recomendadas para conservação dos recursos naturais e para recuperação ambiental correspondem a 310 km2, isto é, 10% das terras do município. Pôde-se concluir que a análise integrada de dados ambientais associados às geotecnologias possibilitou a avaliação quantitativa e qualitativa permitindo à estratificação do município em diferentes zonas agroecológicas com indicação de áreas passíveis de exploração agrícola sustentável

This study aimed to present the methodological approach of the agroecological zoning of Mato Grosso do Sul State. The approach incorporated quantitative and qualitative assessment, with geotechnologies (satellite image–landsat 5, global positioning system, geographic information system, digital mapping, software of digital image processing) adoption to perform an integrated analysis of environmental data. Primary soils information associated with terrain attributes and climate characteristics were used with geotechnologies to evaluation of the natural erosion potential, natural fertility, internal drainage and moisture soil retention capacity of soil. The land use, and land cover and the environmental laws were observed. The integrated analysis of these data allowed environmental stratification in different agroecological zones. These zones are defined to agricultural use; pastures; conservation of natural resources or ecological restoration. In Bandeirantes case study, the agroecological zones recommended for agriculture sum 1,150 km2. The evaluation for conservation of natural resources and ecological results in 310 km2, and for the areas recommended for pastures sum 1,650 km2 or 53% of Bandeirantes municipality. This study allows conclude that the integrated analysis of environmental data with application of geotechnologies can subsidize a quantitative and qualitative assessment, stratifying the lands in different agroecological zones, each one with recommendations for sustainable use, and contributing as a powerful tool for spatial planning.

A topografia do terreno controla muitos processos hidrológicos, geomorfológicos e pedológicos, influenciando a radiação solar, precipitação pluvial, escoamento superficial, evaporação, regime de umidade do solo e tipo de vegetação, entre outros. Desta maneira, atributos topográficos derivados de um modelo digital de elevação foram utilizados para explicar a diferenciação de solos com horizonte B textural da região de ''Mar de Morros'', no noroeste do Estado do Rio de Janeiro. Foram estudados oito perfis de solo (quatro Argissolos Vermelhos e quatro Argissolos Vermelho-Amarelos), desenvolvidos de granulitos noríticos nos municípios de São José de Ubá e Itaperuna. Os dados dos atributos topográficos em cada perfil de solo (elevação, declividade, aspecto, plano e perfil de curvatura, radiação solar e índice topográfico combinado) foram extraídos, utilizando-se uma janela de 7 x 7 pixels, com os perfis ocupando o centro dessa janela. Os Argissolos que ocorrem nas encostas noroeste e nordeste recebem maior quantidade de radiação solar (mais quentes e secas) e por isto são vermelhos, eutróficos e não apresentam horizonte B latossólico, enquanto os solos das encostas sudeste (relativamente mais frias e úmidas) são vermelho-amarelados, distróficos e com horizonte B latossólico. A radiação solar, a declividade e o aspecto são os atributos topográficos relacionados com as diferenças entre os perfis de solos estudados. Os atributos topográficos analisados pelas técnicas multivariadas apresentaram-se efetivos para a distinção entre os Argissolos Vermelho-Amarelos distróficos e os Argissolos Vermelhos eutróficos, exceto o P7 (PVe). Estudos relacionando a influência da radiação solar na pedogênese são escassos em condições tropicais e, embora menos atuante em regiões tropicais, foi a radiação solar que determinou diretamente a diferenciação dos solos da área estudada.

The topographic conditions controls many hydrological, geomorphological and pedological processes, affectting the solar radiation, pluvial precipitation, superficial water flow, evaporation, soil moisture and vegetation types, among others. Topographic properties derived from a digital elevation model were used to explain the differentiation between soils with an argillic horizon in the region of ''Mar de Morros'' in the northwestern State of Rio de Janeiro. Eight soil profiles (four Red Argisols and four Red-Yellow Argisols) developed from noritic granulites, in the municipalities of São José de Ubá and Itaperuna, were studied. The topographic data of each soil profile (elevation, slope, aspect, curvature plan and profile, solar radiation and combined topographic index) were extracted using a 7 x 7 pixel window, with the profiles in the center. Argisols on slopes facing northwest and northeast receive most solar radiation (warmer and drier) and for this reason are red, eutrophic and have no oxic horizon, whereas soils on slopes facing southeast (relatively cold and wet) are yellowish-red, dystrophic and have an oxic horizon. The solar radiation, slope and aspect are the topographic attributes that differ between the soils profiles. The topographic properties analyzed by multivariate techniques were effective to distinguish eutrophic Red Argisols from dystrophic Red-Yellow Argisols, except for P7 (PVe). Studies on the influence of solar radiation on pedogenesis under tropical conditions are scarce, and although less active in tropical regions directly determined the soil differentiation of the studied area.

Técnicas de mapeamento digital podem contribuir para agilizar a realização de levantamentos pedológicos detalhados. Objetivou-se com este trabalho obter um mapa digital de solos (MDS) com uso de redes neurais artificiais (RNA), utilizando correlações entre unidades de mapeamento (UM) e covariáveis ambientais. A área utilizada compreendeu aproximadamente 12.000 ha localizados no município de Barra Bonita, SP. A partir do resultado de uma análise de agrupamento das covariáveis ambientais, foram escolhidas cinco áreas de referência para realizar o mapeamento convencional. As UM identificadas subsidiaram a aplicação da técnica de RNA. Utilizaram-se o simulador de redes neurais JavaNNS e o algoritmo de aprendizado backpropagation. Pontos de referência foram coletados para avaliar o desempenho do mapa digital produzido. A posição na paisagem e o material de origem subjacente foram determinantes para o reconhecimento dos delineamentos das UM. Houve boa concordância entre as UM delineadas pelo MDS e pelo método convencional. A comparação entre os pontos de referência e o mapa de solos digital evidenciou exatidão de 72 %. O uso da abordagem MDS utilizada pode contribuir para diminuir a falta de informações semidetalhadas de solos em locais ainda não mapeados, tomando-se como base informações pedológicas obtidas de áreas de referência adjacentes.

Digital mapping techniques can help reduce the lack of soil information in areas where no 1st and 2nd order soil surveys were performed. The aim of this study was to obtain a digital soil map (DSM) by artificial neural networks (ANN) using the correlation between soil mapping units and environmental covariates. The study area of approximately 11,000 ha is located in Barra Bonita, SP, Brazil. Based on a cluster analysis of environmental covariates, five reference areas were chosen for conventional mapping. The selected soil mapping units supported the application of ANN. We used the neural network simulator JavaNNS and the backpropagation learning algorithm. Reference points were collected to evaluate the efficiency of the resulting digital map. The position in the landscape and the underlying parent material were fundamental to the recognition of the designs of the mapping units. There was good agreement between the mapping units delineated by DSM and the conventional method. The comparison between the reference points and the digital soil map showed an accuracy of 72 %. The use of the DSM approach can help reduce the lack of soil information in unmapped places, based on soil information obtained from adjacent reference areas.

O levantamento de solos é a principal fonte de informação espacial sobre solos para diferentes usos, principalmente o uso agrícola. No entanto, a continuidade dessa atividade tem sido grandemente comprometida, principalmente pela escassez de recursos financeiros. O objetivo deste estudo foi avaliar a eficiência da utilização de dois classificadores distintos (redes neurais artificiais - RNAs e o algoritmo da máxima verossimilhança - Maxver) na predição de classes de solos em uma área na região noroeste do Estado do Rio de Janeiro. As variáveis discriminantes usadas incluem atributos do terreno, como elevação, declividade, aspecto, plano de curvatura e índice topográfico combinado (CTI) e índices clay minerals, iron oxide e de vegetação NDVI, derivados de uma imagem do sensor ETM+ do LANDSAT 7. Para o treinamento e a validação dos classificadores, foram utilizadas, respectivamente, 300 e 150 amostras por classe de solo, representativas das características dessas classes, com relação às variáveis discriminantes utilizadas. De acordo com os testes estatísticos realizados, o classificador com base na RNA produziu maior exatidão do que o classificador clássico da máxima verossimilhança (Maxver). A comparação com 126 pontos de referência coletados no campo evidenciou que o mapa produzido pela RNA teve desempenho superior (73,81 %) ao mapa produzido pelo algoritmo Maxver (57,94 %). As principais causas de erros detectadas na utilização desses classificadores foram: a heterogeneidade geológica da área aliada a problemas no mapa geológico utilizado; profundidade do contato lítico e, ou, exposição da rocha; e problemas com o modelo de correlação ambiental utilizado em razão da natureza poligenética dos solos. Os resultados obtidos permitem inferir que a utilização de atributos do terreno juntamente com dados de sensoriamento remoto em uma abordagem por RNAs pode contribuir para facilitar o mapeamento de solos no Brasil, principalmente por causa da disponibilidade de dados de sensores remotos a custos mais baixos e da facilidade de obtenção dos atributos do terreno.

Soil surveys are the main source of spatial information on soils and have a range of different applications, mainly in agriculture. The continuity of this activity has however been severely compromised, mainly due to a lack of governmental funding. The purpose of this study was to evaluate the feasibility of two different classifiers (artificial neural networks and a maximum likelihood algorithm) in the prediction of soil classes in the northwest of the state of Rio de Janeiro. Terrain attributes such as elevation, slope, aspect, plan curvature and compound topographic index (CTI) and indices of clay minerals, iron oxide and Normalized Difference Vegetation Index (NDVI), derived from Landsat 7 ETM+ sensor imagery, were used as discriminating variables. The two classifiers were trained and validated for each soil class using 300 and 150 samples respectively, representing the characteristics of these classes in terms of the discriminating variables. According to the statistical tests, the accuracy of the classifier based on artificial neural networks (ANNs) was greater than of the classic Maximum Likelihood Classifier (MLC). Comparing the results with 126 points of reference showed that the resulting ANN map (73.81 %) was superior to the MLC map (57.94 %). The main errors when using the two classifiers were caused by: a) the geological heterogeneity of the area coupled with problems related to the geological map; b) the depth of lithic contact and/or rock exposure, and c) problems with the environmental correlation model used due to the polygenetic nature of the soils. This study confirms that the use of terrain attributes together with remote sensing data by an ANN approach can be a tool to facilitate soil mapping in Brazil, primarily due to the availability of low-cost remote sensing data and the ease by which terrain attributes can be obtained.

O objetivo deste trabalho foi avaliar modelos digitais de elevação (MDE), obtidos por diferentes fontes de dados, e selecionar um deles para derivar variáveis morfométricas utilizadas em mapeamento digital de solos. O trabalho foi realizado na Bacia Guapi‑Macacu, RJ. Os dados primários utilizados nos modelos gerados por interpolação (MDE‑carta e MDE‑híbrido) foram: curvas de nível, drenagem, pontos cotados e dados de sensor remoto transformados em pontos. Utilizaram-se, na comparação, modelos obtidos por sensor remoto e por aerorrestituição (MDE SRTM e MDE IBGE). Todos os modelos apresentaram resolução espacial de 30 m. A avaliação dos modelos de elevação foi baseada na análise de: atributos derivados (declividade, aspecto e curvatura); depressões espúrias; comparação entre feições derivadas a partir dos modelos e as originais, oriundas de cartas planialtimétricas; e análise das bacias de contribuição derivadas. O modelo digital de elevação híbrido apresenta qualidade superior à dos demais modelos.

The objective of this work was to evaluate digital elevation models (DEM) obtained by different data sources and to select one of them for deriving morphometric variables used in digital soil mapping. The work was performed in the Guapi‑Macacu river basin, RJ, Brazil. The primary data used in the models generated by interpolation (DEM map and DEM hybrid) were: contour lines, drainage, elevation points, and remote sensor data transformed into points. The obtained models by remote sensing and aero‑restitution (DEM SRTM and DEM IBGE) were used in the comparison. All models showed spatial resolution of 30 m. The elevation model evaluations were based on: the terrain derived attribute analysis (slope, aspect, and curvature); spurious depressions (sink); comparison between features derived from the models and the original ones originated from planialtimetric maps; and the analysis of derived watersheds. The DEM hybrid showed a superior quality than the other models.

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.

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).

This study evaluated different environmental variables in the digital soil mapping of an area in the northern region of Minas Gerais State, using artificial neural networks. The environmental variables terrain attributes (slope and compound topographic index), the quickbird bands 1, 2 and 3, and lithology were evaluated. The importance of each of the variables in the classification was tested. The "Java Neural Network Simulator" was used with the backpropagation learning algorithm. For each dataset a neural network was created to predict the soil mapping units, and the map produced by the nets was compared with the conventional, to show the general accuracy of each one. The best classification was achieved when all variables were used, with an accuracy of 67.4 % compared to the the conventional soil map. Of the variables, slope was most significant, because when excluded from the dataset, the classification was worst (accuracy 33.7 %). This result showed that the approach can contribute to overcome some problems of soil mapping in Brazil, especially at scales larger than 1:25,000, with faster and cheaper execution, mainly if remote sensing data with high spatial resolution and an affordable price are available, and good digital elevation models to generate the terrain attributes in the geographical information systems.