Distribuição espacial de metais e metalóides nos solos do estado de minas gerais utilizando geoestatística e métodos de aprendizado de máquina

• Ano de defesa: 2017
• Autor(a) principal: Veloso, Gustavo Vieira
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Solos e Nutrição de Plantas
• Palavras-chave em Português: Química do solo; Solos - Metais pesados - Minas Gerais; Solos - Composição; Solos - Análise; Ciência do Solo
• Link de acesso: https://locus.ufv.br//handle/123456789/29301

O Estado de Minas Gerais tem uma área de 588.384 km² que corresponde a um percentual de 6,9% do território brasileiro e de 63,5% da região sudeste do Brasil. Minas Gerais apresenta uma grande diversidade geológica. Essa variedade geológica sugere que os solos derivados desses materiais possuem elementos químicos nos mais diferentes teores no Estado. Nesse sentido, o objetivo desta pesquisa foi gerar mapas dos teores de metais e metaloides na camada superficial dos solos do Estado de Minas Gerais, utilizando-se de técnicas de aprendizado de máquina e krigagem Ordinária e comparar os resultados dos métodos. Os mapas de teores de 13 elementos traço (Al, As, B, Ba, Cd, Co, Cr, Cu, Fe, Hg, Mn, Mo, Ni, Pb, Sr, V e Zn) foram gerados a partir da Krigagem Ordinária desse elementos e de 5 outros constituintes do solo. Foi utilizado neste estudo um total de 648 amostras de solos georreferenciadas obtidas do „Banco de Solos‟ do Estado de Minas Gerais. A seleção das variáveis para a predição do teor de metais e metaloides seguiu procedimentos que visaram identificar as covariáveis com maior relevância, sendo usados métodos correlação linear e não linear. Para identificar a dependência espacial dos dados, foram realizados os seguintes testes de modelos teóricos de semivariograma: esférico, exponencial, estável e gaussiano. Seis algoritmos de predição dos teores foram usados neste estudo para o aprendizado de máquina, sendo estes: Cubist, SVMRadialSigma, Random Forest, ExtraTree, Ranger e Rborist. A verificação do desempenho desses algoritmos foi executada pela validação cruzada. Os resultados da seleção de covariáveis para o aprendizado de máquinas mostram coeficiente de determinação do algoritmo de treinamento (R 2 ) utilizado na seleção de covariáveis variaram de 0,03 a 0,43. As covariáveis categóricas litologia, geomorfologia e classe de solo apresentaram a maior importância na predição de 17 elementos. Covariáveis bioclimáticas foram importantes na predição dos teores de 16 elementos. Enquanto que, As covariáveis relacionadas à gamaespectrometria auxiliaram na predição dos teores de dez dos elementos analisados. Por sua vez, a magnetometria apresentou baixa importância para a predição do teor da maioria dos elementos nos solos, sendo importante somente para predição do Sr. Em geral, a transformação dos dados não promoveu um aumento na capacidade de predição dos elementos pelos modelos de aprendizado de máquinas, exceto para três elementos (Al, Sr e Zn). Na Krigagem Ordinária houver aumento do número de elementos com boa capacidade preditiva em alguns dos métodos de krigagem (Al, As, Co, Hg, Mn, Sb, Se, Sr e Zn. OS resultados de nRMSE variam entre 10% e 20%, obtendo resultados considerados bons, exceto por B e Mo. Os melhores resultados de nRMSE foram obtidos na predição com os dados sem transformações. A transformação dos dados em log1p gerou melhores resultados de treinamento apenas para Al e Zn. Para os elementos com os melhores resultados no método de aprendizado de máquinas foram: Ranger, SVMRadialSigma, RandomFlorest, Extratree. Os algoritmos Cubist e Rborist não alcançaram desempenho satisfatório na predição para nenhum elemento analisado. Os mapas espacializados pelos métodos de krigagem e aprendizado de máquinas apresentaram características similaridades para os elementos avaliados, com estimativas dos teores próximos. Os mapas especializados mostram maiores teores de As, Cd, Cr e Ni estão localizados na região do Quadrilátero Ferrífero, enquanto os elementos Cu, Fe, Mn, V e Zn apresentaram os maiores teores na região do triângulo mineiro. O elemento Co apresentou teores altos nas duas regiões, Quadrilátero Ferrífero e Triângulo mineiro. Os resultados mostraram que 11 elementos demostraram melhores pelos algoritmos de aprendizado de máquinas (Al, As, B, Co, Fe, Hg, Mn, Ni, Pb, Se e Zn). A espacialização dos teores dos metais e metaloides pelos algoritmos de aprendizado de máquinas, gerou mapas de 11 elementos com desempenhos superiores à krigagem. Os mapas gerados pelo método de espacialização por krigagem apresentam teores máximos superiores aos apresentados todos os elementos tirando o Pb. Os métodos de aprendizado de máquinas geram mapas com maior nível de detalhamento quando comparados com mapas gerados pela krigagem.