O mapeamento digital do solo (MDS) ganhou popularidade nos últimos anos. O principal motivo é a facilidade e rapidez com que permite produzir informações do solo. Neste artigo nós descrevemos algumas das mais importantes novidades e alguns dos maior desafios do MDS de alta no Brasil.
O mapeamento digital do solo se beneficiou do rápido aumento no poder dos computadores para lidar com grandes volumes de dados de base para produzir novas informações sobre o solo. No Brasil, pesquisas de solo são realizadas desde a década de 1930. Mas a maioria dos dados coletados nos últimos 90 anos ainda está em formato de papel. Esse cenário começou a mudar em 2017, quando foi lançado o Repositório Brasileiro Livre de Dados de Solo Aberto (FEBR). Até o final de 2018, o FEBR já continha dados de cerca de 15.000 observações do solo, consolidando-se como a maior fonte de dados do solo do Brasil.
Terra Preta Amazônica é um tipo de solo escuro geralmente rico em C, Ca e P. Neste estudo, nós mapeamos o conteúdo e estoque desses elementos em uma área da Amazônia Central usando a co-krigagem universal com uma covariável criada para representar o enriquecimento antrópico esperado do solo com esses elementos. Nós também separamos as áreas "préticas" das não "préticas" usando simulações gaussianas sequenciais e critérios de classificação do WRB. Nossos resultados mostraram que a área "prética" está mais relacionada a maiores estoques de Ca e P – do que de C –, sendo assim marcadores mais eficientes de Terra Preta Amazônica – do que o C.
When modeling soil-landscape relationships we generally test a handful of statistical learners. Having limited data, we use cross-validation to select the best performing learner. In this study we evaluate the benefits of combining learners for soil …
Nós avaliamos se o investimento em covariáveis ambientais mais detalhadas, do ponto de vista espacial, melhora a acurácia das predições espaciais no mapeamento digital do solo. No geral, o aumento no desempenho das predições espaciais foi modesto, o que significa que podem não superar os custos adicionais de usar covariáveis mais detalhadas. Assim, pode ser mais eficiente investir os recursos financeiros adicionais na coleta de mais observações do solo, ou então aumentando o detalhe espacial apenas das covariáveis que têm o maior efeito de melhoria nas predições espaciais -- o que é difícil de saber de antemão.
Nós compilamos dados de ~110000 perfis do solo de todo o mundo, bem como ~75 covariáveis ambientais com resolução espacial de 1 km. A partir desses dados, nós calibramos modelos de mapeamento digital do solo que levam em consideração, simultaneamente, ambas as dimensões horizontal e vertical do solo. A partir da aplicação desse modelo 3D, chamado SoilGrids1km, geramos mapas de uma seleção de propriedades do solo em seis profundidades padrão, com uma acurácia que variou entre 23 e 51%. Apesar da necessidade de melhorias, SoilGrids1km é o primeiro passo rumo à automação da produção global de informação do solo.