04303nam a2200265 a 450000100080000000500110000800800410001910000220006024502100008226000160029230000110030850002510031952032300057065000190380065000250381965300280384465300080387265300200388065300300390065300210393065300190395165300180397065300210398865300280400921588862023-12-04       2021    bl uuuu  m   00u1 u    #d1 aSANTOS, P. A. dos  aMapeamento e modelagem digital da variabilidade tridimensional de atributos físico-hídricos dos solos da bacia do rio Guapi-Macacu - RJ, por estatística multivariada e algoritmos.h[electronic resource]  a2021.c2021  a156 f.  aDissertação (Mestrado em Modelagem e Evolução Geológica) - Instituto de Agronomia, Universidade Federal Rural do Rio de Janeiro, Seropédica. Orientadora: Helena Saraiva Koenow Pinheiro, UFRRJ; Coorientador: Waldir de Carvalho Júnior, CNPS.  aO conhecimento acerca dos atributos físico-hídricos dos solos é importante para estudos voltados a compreensão do regime hídrico e monitoramento do fluxo de água, principalmente em bacias hidrográficas, onde o conteúdo de água armazenado e disponibilizado afeta tanto as funções ambientais dos solos, quanto a biodiversidade e a sustentabilidade desse recurso natural. No Brasil, os bancos de dados de solos possuem poucas informações coletadas acerca de parâmetros hídricos dos solos tais como a velocidade de infiltração básica (vib) e a condutividade hidráulica saturada (Ksat), devido à não realização sistemática de testes de infiltração ao se executar os levantamentos pedométricos e a dificuldade de mensuração de tais parâmetros nas camadas mais profundas da pedosfera. Neste contexto, torna-se passível a estimativa da vib e da Ksat associando-se as propriedades granulométricas e físico-químicas dos solos coletadas em campo por meio de algoritmos para pedologia quantitativa (do inglês, Algorithms for Quantitative Pedology - AQP) e implementação de funções de pedotransferência usando análise regressiva multivariada e algoritmos de machine learning baseados em árvores, capazes de modelá-los vertical (em perfil) e espacialmente sob a área de estudo. Ainda, como forma de ampliar as informações sobre a área estudada e garantir uma modelagem mais fidedigna e robusta, é desejável associar parâmetros mensuráveis em campo e laboratório com demais informações relevantes que ajudem a análise de bacias hidrográficas compondo assim as variáveis de entrada nos modelos citados. Este estudo sugere a aplicação de variáveis oriundas de modelagem numérica do terreno, obtidas através de Modelo Digital de Elevação (MDE), e dados radiométricos, derivados aerogeofísica ambiental (aeromagnetometria e aerogamaespectrometria) e análise espectral sob índices relativos à vegetação, solo e água utilizando imagens do sensor Sentinel-2A (índices espectrais) por meio de Sensoriamento Remoto. Para a análise quantitativa dos dados e seleção de covariáveis dos modelos, foram abordados métodos estatístico-descritivo e multivariado, visando o entendimento interrelacional das variáveis preditoras e a redução de dimensionalidades e/ou multicolinearidade nas variáveis de entrada nos modelos. Pelos resultados obtidos, os modelos baseados em árvores (Random Forest – RF e Árvores de Regressão - AR) apresentaram melhor desempenho na modelagem dos atributos físico-hídricos frente ao modelo regressivo na estimativa das funções de pedotrasnferência. A abordagem multivariada usando os métodos de seleção e redução de dimensionalidade permitiram a escolha otimizada das variáveis de entrada na modelagem, eliminação de problemas de multicolinearidade dos dados e redução do conjunto de dados, obtendo diversificada resposta para as camadas de solos avaliadas. O estudo mostra o potencial de integração de dados topográficos, pedológicos e radiométricos e sua contribuição no mapeamento e modelagem digital de solos, visando a compreensão da variabilidade dos atributos físico-hídricos na bacia hidrográfica estudada.  aRemote sensing  aSensoriamento Remoto  aAprendizado de máquina  aAQP  aDigital Mapping  aEstatística Multivariada  aGeoprocessamento  aHidropedologia  aHydropedology  aMachine Learning  aMultivariate Statistics