Descrição
A condutividade hidráulica saturada (Ksat) é um parâmetro hidropedológico crítico. Este estudo empregou algoritmos de Machine Learning (RF, SVM, GLMnet, XGBoost) para prever Ksat em escala continental sul-americana, utilizando oito preditores e avaliando três cenários: (A) todos os dados; (B) Ksat ≤ 6 m/dia; (C) filtragem robusta de outliers, denominado método da covariância robusta (MCD). O Cenário C superou decisivamente os demais, com o XGBoost apresentando o melhor desempenho global (RMSElog = 0,623, R²log = 0,570, MAPE = 56,4%), validando a filtragem MCD como etapa crucial para a modelagem. A análise de importância de variáveis do modelo final revelou que o Modelo Digital de Elevação (MDE) foi o preditor mais relevante, seguido pelo teor de matéria orgânica e pela declividade. A primazia do MDE não indica uma relação direta com a Ksat, mas evidencia seu papel como um proxy integrador de processos geomorfo-pedogenéticos em macroescala. O MDE discrimina os grandes compartimentos da América do Sul (Andes, planaltos, planícies), que possuem solos com idades, texturas e perfis hidráulicos intrínsecos distintos. Ele controla indiretamente a Ksat ao definir a energia do relevo, a posição na paisagem (zonas de recarga/descarga), o clima local e a vegetação, que são fatores-chave na formação da estrutura do solo. A matéria orgânica, embora crucial, atua como uma variável de estado influenciada por esses fatores de primeira ordem. O mapa final de Ksat gerado constitui um produto valioso para aplicações em modelagem hidrológica e gestão de recursos hídricos no continente, destacando a eficácia de uma abordagem que combina tratamento estatístico robusto de dados com algoritmos avançados de aprendizado de máquina.
| Selecione a modalidade do seu trabalho | Resumo Simples |
|---|
