Modelagem emprico-estatstica para predio espacial da

espessura de solo: um estudo de caso sinttico

Guilherme Jos Cunha Gomes
PUC-Rio, Rio de Janeiro, Brasil, guilhermejcg@yahoo.com.br
DER-ES, Esprito Santo, Brasil, guilherme.gomes@der.es.gov.br

Eurpedes do Amaral Vargas Jr.

PUC-Rio, Rio de Janeiro, Brasil, vargas@puc-rio.br

RESUMO: Mtodos emprico-estatsticos foram desenvolvidos para predio espacial da

espessura de solo em um estudo de caso sinttico. Utilizando-se de um modelo digital de elevao,
foram estimados (numericamente e tendenciosamente) 109 pontos com profundidade de solo
variando de 0 a 12 metros. Dez covariveis foram derivadas e utilizadas em dois modelos
estatsticos: um modelo linear de regresso mltipla (LM) e outro aditivo generalizado (GAM),
sendo estes comparados com outros citados na literatura internacional. Modelos do tipo GAM
geraram melhor ajuste com os dados de calibrao (maior R2adj), alm de serem mais precisos
(menor RMSE). Superfcies tridimensionais mostraram a variabilidade da profundidade do solo em
escala de uma sub-bacia hidrogrfica. Resultados produzidos com base na modelagem proposta
podem ser utilizados como dados de entrada em diversas aplicaes em geocincias.

PALAVRAS-CHAVE: Espessura de solo, Modelo digital de elevao, Predio espacial.

1 INTRODUO abordagens descrevem a evoluo da paisagem

Modelos hidrologicamente distribudos,
previso de movimentos de massa ou
escavaes superficiais requerem, como dado
de entrada, uma estimativa para a espessura de
solo ou cota do topo rochoso. Nesta zona da
sub-superfcie, o contraste de resistncia ou de
permeabilidade gera sensitividade aos modelos
de predio, logo, a confiabilidade destes
valores torna-se indispensvel. Contudo, devido
dificuldade de sondagens de campo em
escalas de sub-bacias hidrogrficas e da
complexidade das interaes envolvidas num
processo de formao do regolito, a sua
predio espacial permanece uma tarefa rdua e
desafiadora (Tesfa et al, 2009; Kuriakose et al,
2009; Catani et al, 2010; Ziadat, 2010; Liu et al,
2013).
Mtodos para mapear a profundidade do solo
podem ser divididos em (i) fsicos, (ii)
emprico-estatsticos e (iii) interpolao a partir
de pontos de amostragem. Mtodos fsicos so
baseados na quantificao de processos de
produo de solo pela rocha subjacente, eroso
e transporte do material inconsolidado. Estas
em um determinado perodo geolgico, mas
possuem algumas desvantagens devido a
incertezas em parmetros e/ou condies de
contorno e inicial, que so necessrios para
resolverem a equao diferencial de
conservao de massa (ver por exemplo
Heimsath et al, 1999 e Lui et al, 2013).
Mtodos de interpolao (e.g., Kuriakose et
al, 2009) podem ser geoestatsticos (usam a
correlao espacial definida por um
variograma) ou no-geoestatsticos (no adotam
nenhuma teoria para os efeitos aleatrios).
Apesar de existirem poderosas ferramentas para
modelos geoestatsticos (e.g., Hengl et al,
2007), uma das limitaes para a anlise em
foco a necessidade de muitos pontos de
amostragem, fato que pode demandar tempo e
recursos de um projeto. Alm disso, o ajuste do
variograma pode acrescentar incertezas
predio espacial.
Esses mtodos so parte de um esforo geral
para desenvolvimento e refinamento dos dados
de entrada em modelos espacialmente
distribudos (Tesfa et al, 2009). Entretanto,
mesmo com inmeros trabalhos j publicados, a
espessura de solo modelada raramente
ultrapassa 3 metros. Para as condies
pedolgicas de muitas bacias nos Estados
brasileiros do Esprito Santo e Rio de Janeiro,
por exemplo, necessrio estimar solos
profundos.
Neste trabalho, buscando entender essa
lacuna, mtodos emprico-estatsticos so
desenvolvidos para predio espacial da
espessura de solo em um estudo de caso
sinttico. Exemplos de abordagens estatsticas
podem ser encontradas em Moore et al (1993),
Tesfa et al (2009), Ziadat et al (2010), Wilford e
Thomas (2013), dentre outros. Utilizando-se de
covariveis derivadas de um modelo digital de
elevao (MDE), so apresentados um modelo
linear (LM) e um modelo aditivo generalizado
(GAM), os quais so confrontados com outros
j publicados na literatura internacional.
campo e so fundamentais para calibrar
qualquer tipo de modelo. Dois dados de
calibrao so propostos para avaliar os
modelos estatsticos. No primeiro deles, a
profundidade do solo foi imposta com base na
avaliao dos autores. Solos mais rasos foram
estimados prximo ao interflvio e a regio do
talvegue principal e cotas mais baixas
concentrando solos mais profundos. Os
modelos gerados com base nesses dados de
calibrao sero denominados aqui como
tendenciosos ("bias").
300
250
elevao (m)
200
150

100

50

2 METODOLOGIA 3.445
3.446
3.447 7.773
5 3.448 7.7729
7.7728
2.1 Descrio do estudo de caso sinttico x 10
3.449
7.7726
7.7727
x 10
6
3.45 7.7725
7.7724
x (m) y (m)
Um modelo digital de elevao da regio
serrana do Estado do Esprito Santo, a cerca de Figura 1. Modelo digital de elevao utilizado. Pontos
30 km a noroeste da capital Vitria, foi vermelhos so locais com profundidade do solo estimada.
utilizado neste trabalho (Figura 1). Com rea de
aproximadamente 35 ha e elevaes entre 55 e A outra estimativa para a profundidade do
295 m acima do nvel do mar, a escolha deste solo foi obtida a partir de uma simulao
local foi baseada no fato de ser representativa numrica que resolve a equao da conservao
da regio Capixaba com incidncia de de massa de regolito ao longo de um perodo
movimentos de massa e inundaes nos meses geolgico, representando um balano entre a
chuvosos, tendo em vista que um dos objetivos produo e o transporte de solo em encostas.
da presente pesquisa a aplicao direta em No escopo do presente trabalho detalhar esta
modelos hidrologicamente distribudos. modelagem numrica, porm informaes
Foram estimados 109 pontos de espessura de podem ser obtidas em muitos trabalhos, por
solo na rea de estudo (pontos vermelhos na exemplo, em Heimsath et al (1999) e Lui et al
Figura 1), que variou de 0 a 12 m. Os pontos (2013). Esses dados de calibrao sero aqui
foram espacializados pelo MDE de forma a tratados como numricos.
captar a morfologia de uma micro-bacia
hidrogrfica. A opo por fixar a profundidade 2.2 Modelagem Emprico-estatstica
mxima do solo em 12 metros devido
limitao do equipamento de sondagem a ser Neste trabalho, a varivel resposta, tambm
utilizado, em breve, no levantamento de campo denominada varivel dependente, a espessura
de uma bacia hidrogrfica do Rio de Janeiro. de solo ( Y ). Mtodos estatsticos aqui
Detalhes sobre a investigao geolgico- abordados so baseados em regresso e utilizam
geotcnica ser futuramente publicada. covariveis (variveis explanatrias ou
Os dados de profundidade de solo estimados independentes) determinsticas (i.e., possvel
neste estudo de caso simulam sondagens de obter esta informao sem erros) para
quantificar a varivel dependente. Foram
aplicados dois mtodos de predio: modelo
linear de regresso mltipla (LM) e modelo
aditivo generalizado (GAM).
No modelo LM (Bingham e Fry, 2010), a
equao que relacionada a varivel dependende
com o conjunto de variveis independentes x1,
x2, ... xm, tem a forma
E(Y ) k 1 x1 ... m xm i (1)
(LIDAR).
Dez covariveis foram derivadas do MDE
em Matlab (Tabela 1). O nmero de covariveis
foi definido em funo da quantidade de dados
de calibrao. Sete delas so comumente
encontradas em modelagens estatsticas:
elevao, gradiente, aspecto, curvatura, rea de
contribuio, energia de corrente e ndice de
umidade. As demais foram incorporadas pelos
autores como potenciais variveis explanatrias.

Tabela 1. Variveis independentes (covariveis).

onde o termo termo E(Y) o valor esperado ou
o valor mdio para a varivel dependente e
so coeficientes de regresso desconhecidos.
Assume-se que o erro associado i ao modelo
independente, identicamente distribudo e
possui uma distribuio normal, i.e., i ~
N(0,2). Estas hipteses sero investigadas na
sequncia deste artigo.
No modelo GAM (Hastie e Tibshirani,
1990), a relao entre os preditores e a varivel
dependente no-linear:
E (Y ) f1 x1 ... f m xm (2)
onde fk representam funes no-lineares que
associam as covariveis espessura de solo e
um coeficiente da regresso.
Ambos os modelos foram implementados em
linguagem de programao R (R Development
Core Team, 2007). Os detalhes de como derivar
matematicamente os coeficientes de regresso
para o modelo linear e as funes (splines) no
modelo no-linear no so alvo do presente
trabalho e podem ser obtidos nas referncias
acima.
2.3 Derivao das variveis explanatrias
O MDE foi obtido a partir de curvas de nvel na
escala 1:25.000 mapeadas pelo IBGE (Instituto
Brasileiro de Geografia e Estatstica). A
dimenso de cada pixel de aproximadamente
19 m, num total de 1023 pixels. de
conhecimento dos autores que esta escala no
a mais adequada para estimativas precisas, no
entanto, para investigaes preliminares e por
questes de eficincia computacional, este
MDE foi adotado. A continuao desta pesquisa
ser conduzida com aerolevantamento a laser
Covarivel Referncia
Elevao IBGE
Gradiente 8 OCallaghan e Mark (1984)
Aspecto Schwanghart e Kuhn (2010)
Curvatura Heimsath et al (1999)
rea contribuio Tarboton (1997)
Energia de corrente Moore et al (1993)
nd. umidade Quin et al (1995)
Dist. interflvio Este trabalho
Modelo Z Saulnier et al (1997)
Modelo S Saulnier et al (1997)
A elevao obtida diretamente do MDE,
sendo armazenada, assim como as demais
variveis, numa matriz. Gradiente 8 a mxima
inclinao topogrfica nas 8 direes vizinhas.
Um algoritmo foi desenvolvido para obter o
gradiente com base no trabalho de OCallaghan
e Mark (1984). O aspecto o azimute da reta
normal ao plano do pixel e foi obtido com o
auxlio do algoritmo proposto por Schwanghart
e Kuhn (2010).
Para a obteno da curvatura, positiva
(cncava) ou negativa (convexa), um algoritmo
foi desenvolvido para determinar a derivada
segunda da superfcie, a partir da elevao de
cada pixel e de seus 8 pixels adjacentes (ver
Heimsath et al (1999) e Liu et al (2013) para
detalhes).
rea de contribuio a rea de drenagem
do pixel (Tarboton, 1997) e foi calculada
atravs do algoritmo D8 (OCallaghan e Mark,
1984). Indice de umidade (Quin et al, 1995)
definido como o logaritmo da relao entre a
rea de contribuio e o gradiente topogrfico.
A energia de corrente descreve o potencial
erosivo em um ponto, sendo calculado pelo
logaritmo do produto entre rea de contribuio
e a inclinao do pixel (Moore et al, 1993).
Distncia horizontal ao interflvio distncia
euclideana de cada ponto ao pixel de elevao
mxima. transformadas, no central a transformao foi
As outras 2 covariveis so modelos em raiz-quadrada e no inferior logaritmica. Por
propostos por Saulnier et al (1997). exemplo, analisando os painis esquerda, a
Denominado por Catani et al (2010) como varivel dependente possui distribuio mais
modelo Z, o primeiro deles expressa a homognea quando transformada em raiz-
profundidade do solo (hi) apenas como funo quadrada, uma vez que as outras distribues
da elevao de cada pixel (zi), apresentando a possuem um padro assimtrico. A escala
seguinte forma: logaritmica mais adequada para a energia de
corrente, mas para a varivel aspecto no houve
zi z min incremento quando transformada.
hi hmax (hmax hmin ) (3)
z max z min

0.00 0.06 0.12

0.006
densidade

densidade

densidade
4e-04
enquanto que a segunda (modelo S) leva em

0e+00

0.000
considerao a inclinao local (i): 0 5 10 15 0 10000 20000 50 150 250

sd spi asp

tan i tan min hmin

hi hmax 1 1 . (4)
tan max tan min

0.00 0.10 0.20

0.4
hmax
densidade

densidade

densidade
0.000 0.015
0.2
0.0

Nas equaes 3 e 4, zmax, zmin representam 0 1 2 3 4 0 50 100 150 6 8 10 14

valores mximos e mnimos de elevao, hmax e sd spi asp

hmin so as profundidades de solo mxima e

mnima determinadas, max e min so o maior e
0.4

1.2
densidade

densidade

densidade
0.20
menor ngulo de inclinao obtido no MDE,
0.2

0.6
respectivamente. 0.00
0.0

0.0
-2 0 1 2 3 4 6 8 10 4.0 4.5 5.0 5.5

2.4 Transformao de variveis
Anlises exploratrias das variveis envolvidas
na modelagem foram realizadas com objetivo
de indentificar relaes lineares entre os
preditores e a varivel dependente (no
apresentada no artigo), bem como a simetria
dos histogramas derivados. Essa anlise
importante pois observaes apresentando
valores discrepantes podem influenciar o
processo de estimao e muitas dessas
discrepncias podem ser observadas nos
histogramas. Esses procedimentos, em geral,
indicam a necessidade de transformaes nas
variveis. Ento, buscando homogeneidade na
funo densidade de probabilidade (prxima da
distribuio normal), foram realizadas
transformaes matemticas (logaritmica e raiz
quadrada) envolvendo as variveis presentes no
modelo.
Na Figura 2 so apresentadas as funes
densidade de probabilidade para a varivel
dependente (sd), e para duas covariveis:
energia de corrente (spi) e aspecto (asp). No
painel superior as variveis no foram
sd spi asp
Figura 2. Funes densidade de probalidade para a
profundidade do solo tendenciosamente estimada (sd),
energia de corrente (spi) e aspecto (asp).
Alm das variveis indicadas na Figura 2,
rea de contribuio e ndice de umidade
sofreram transformao logaritmica. Elevao e
distncia ao interflvio tambm foram
transformadas em raiz quadrada. As demais
covariveis permaneceram com as matrizes
originais.
2.5 Performance dos modelos empricos
Para cada um dos modelos empricos
programados, o valor da raiz do erro mdio
quadrtico (RMSE), uma medida do desvio
padro das diferenas entre os valores preditos
Pi e os observados Oi (i.e., os resduos), foi
calculado para N observaes da varivel
dependente. Outra forma de comparao dos
resultados obtidos foi atravs do coeficiente de
determinao ajustado (R2adj), uma vez que este
leva em considerao o nmero de parmetros
envolvidos e a mdia estimada . Esses transporte de regolito: mais espessos nos canais
valores podem ser calculados conforme as de drenagem e pouco profundos no interflvio.
equaes 5 e 6:

12
(a)
LM
0.5
N
2
GAM

RMSE N 1 Pi Oi

10
(5)
i 1

Profundidade estimada (m)

8

Oi Pi 2
N

( N p ) 1

6
2
R adj 1 i 1 . (6)


2
N

( N 1) Oi Y i
1

4
i 1

2
RMSE LM: 0.59 m
Valores altos de R2adj correspondem a um

0
RMSE GAM: 0.36 m
melhor ajuste entre os valores observados e os
modelados, enquanto que baixos ndices de 0 2 4 6 8 10 12

RMSE apresentam melhor acurcia na predio Profundidade modelada (m)

espacial.
12 (b)
LM
GAM
10

3 RESULTADOS
Profundidade estimada (m)

A Figura 3 mostra a performance do modelos

8

LM e GAM expressos como grfico de

6

disperso dos valores observados (estimados) e

previstos (modelados). Na parte inferior direita
4

dos grficos est indicado o valor do RMSE.

Em 3(a) o modelo foi calibrado com dados da
2

simulao numrica, apresentando menor

RMSE LM: 1.41 m
RMSE e menor disperso de dados quando
0

RMSE GAM: 1 m
comparado com o modelo tendencioso (b).
possvel verificar tambm que o uso de modelos 0 2 4 6 8 10 12

aditivos generalizados mostram menor Profundidade modelada (m)

disperso em relao reta 1:1. Estes resultados
evidenciam que o modelo GAM se ajusta mais Figura 3. Profundidade solo modelada versus
profundidade de solo (a) estimada numericamente e (b)
varivel dependente por permitir relaes no- com tendenciosidade.
lineares com os preditores.
Um resumo dos dados estatsticos Tabela 2. Estatstica e preciso dos diferentes mtodos de
envolvendo todas as covariveis e avaliao da predio espacial da espessura de solo.
preciso na predio espacial da espessura de LMb* GAMb* LMf** GAMf**
solo encontra-se na Tabela 2. Os coeficientes de a) Mnimo, mximo, mdia e desvio padro (m)
Min 0.25 0.12 0 0.24
determinao ajustados R2adj indicam a
Max 11.78 11.72 11.67 11.48
porcentagem que a varivel dependente Mdia 4.03 4.07 2.62 2.85
consegue ser explicada pelas covariveis Desvio-padro 2.71 2.82 1.94 2.14
selecionadas. O RMSE no valor de 1.00 m, b) Avaliao da preciso e ajuste
mesmo para um dado tendencioso, parece R2adj 0.79 0.86 0.91 0.96
promissor em uma escala de sub-bacia. RMSE (m) 1.41 1.00 0.59 0.36
* Modelos para dados de calibrao tendenciosos
Menores valores mdios de espessura de solo ** Modelos para dados de calibrao numricos
no MDE para modelos numericamente
calibrados refletem o carater difusivo do Parte dos resultados da Tabela 2 podem ser
observados nas superfcies 3D das Figuras 4 e
5, em que modelos do tipo GAM so
comparados para ambos os dados de calibrao.
Nota-se menor espessura de solo no interflvio
da Figura 5 (calibrao numrica).
Figura 4. Superfcie 3D do modelo GAM com dados de
calibrao tendenciosos.
Figura 5. Superfcie 3D do modelo GAM com dados de
calibrao orinundos de simulao numrica.
Na Figura 6, os modelos propostos por
Saulnier et al (1997) so confrontados com
dados tendenciosos de calibrao. possvel
observar que ambos tendem a superestimar a
profundidade do solo, dado tambm observado
por Catani et al (2010). O modelo S apresentou
ainda grande disperso nos dados. A
visualizao desta figura um indicativo de que
os modelos S e Z podem acarretar em falta de
preciso em modelos distribudos.
O melhor preditor para o modelo
numericamente calibrado foi a curvatura. Este
resultado pode ser explicado pela utilizao
desta covarivel na simulao numrica, uma
vez que a lei de transporte difusivo utilizada
estabelece uma relao linear entre a curvatura
e o fluxo de regolito. Para os dados
tendenciosos, a elevao, como era de se
esperar, foi a covarivel com o maior poder de
explicao da variao da espessura de solo.
12
modelo Z
modelo S
10
Prof. solo estimada (m)
8
6
4
2
0
0 2 4 6 8 10 12
Prof. solo modelada (m)
Figura 6. Profundidade solo modelada versus
profundidade de solo estimada para os modelos Z e S.
A matriz de correlaes entre as variveis
(no apresentada no artigo) mostrou que os
modelos Z e S so multicolineares com
elevao e gradiente, respectivamente. Em
modelos de regresso desejvel que uma
covarivel se relacione com a varivel
dependente, porm possua baixa correlao
com os demais preditores. Portanto, modelos Z
e S podem ser retirados da modelagem sem
prejuzo no valor de R2adj. Por outro lado, a
proposta dos autores de utilizao da distncia
horizontal ao interfvio foi positiva em todos os
modelos estatsticos.
4 DISCUSSO
Para entender melhor a performance do modelo
linear de regresso mltipla, boa prtica em
estatstica testar a validade das hipteses
assumidas. Ou seja, conforme previamente
mencionado no item 2.2, necessrio avaliar a
normalidade, a distribuio e a independncia
dos erros. Se essas hipteses so violadas, o
modelo deve ser reavaliado. Como ilustrao, a
Figura 7 apresenta diagnstico do modelo linear haja dados discrepantes na estimativa da
com dadosRegression
de calibrao tendenciosos.
Residuals vs. Fitted Values, m
espessura de solo. Contudo, a Figura 7(a) indica
que os resduos parecem ser homoscedsticos,
4

108 ou seja, independem da magnitude dos dados

52 75 modelados. Tendo em vista o carater
exploratrio e interpretativo deste artigo, os
2

valores discrepantes foram mantidos na anlise.

Na Figura 7 (b) mostrado que grande parte
Resduos

dos resduos so aproximados a uma

0

distribuio normal. Neste grfico, os quartis

(valores que dividem o conjunto de dados em
quatro partes iguais) obtidos dos resduos so
-2

confrontados com quartis tericos de uma

20
64 distribuio gaussiana. Os valores prximos
56
distribuio normal devem seguir a linha reta e
-4

25 (a)
inclinao a cerca de 45, no entanto, alguns
0 2 4 6 8 10 12
valores preditos so subestimados (abaixo da
Valores Preditos,
Normal Q-Q Plot m linha) e outros superestimados (acima da linha).
possvel ento concluir que as hipteses para
4

um modelo linear foram aparentemente

verificadas considerando os dados tendenciosos
da varivel dependente assumidos neste estudo
2

de caso. O mesmo no pode ser afirmado para

Quantis amostrais

os modelos com dados numricos de calibrao.

Apesar de produzir maior R2adj e menor RMSE,
0

o grfico de normalidade (no mostrado)

apresentou resduos grosseiramente alinhados a
uma distribuio normal, sugerindo que o
-2

mesmo deva ser revisto.

Os resultados apresentados no item 3
-4

(b) mostraram que o modelo GAM foi ligeiramente

-2 -1 0 1 2 superior ao LM. Como tentativa de avaliar os
Quantis tericos
mtodos emprico-estatsticos desenvolvidos, a
Figura 8 apresenta um diagrama de caixas (box-
Figura 7. (a) Resduos da regresso versus valores plot). A mediana (linha preta grossa) similar,
preditos e (b) teste de normalidade dos resduos para o mas a menor espessura da caixa para modelos
modelo linear tendencioso.
GAM indica que 50% dos valores modelados
esto mais prximos do resduo zero. Outra
Na Figura 7 (a) um grfico dos resduos
constatao a maior disperso dos dados nos
contra os valores preditos foi derivado. As
modelos lineares, principalmente naquele em
linhas horizontais em vermelho, verde e azul
que a tendenciosidade ("LM bias") foi imposta.
representam, respectivamente, 1, 2 e 3
A caixa para "LM fis" assimtrica, explicando
desvios-padro dos resduos. Sete pontos no
parcialmente o seu desvio de uma distribuio
grfico foram marcados com nmeros pois
normal. A ltima das caixas ("GAM fis") um
representam resduos discrepantes e merecem
indicativo de que covariveis podem ser
ser melhor investigados. Num estudo de caso
fortemente acopladas com modelos fisicamente
real, possvel que esses valores de
baseados. Esta hiptese ser perseguida pelos
profundidade de solo medida em campo possam
autores e futuramente publicada.
ter sido influenciados por algum tipo de erro,
O resultado deste trabalho ser testado em
por exemplo, a existncia de mataces numa
em modelos de predies de movimentos de
massa coluvial. Como este trabalho baseia-se
massa, infiltrao em solos no saturados,
em um estudo de caso sinttico, esperado que
escavaes em obras lineares, dentre outras
possibilidades.
Figura 8. Comparao dos modelos empricos por meio
do grfico box-plot.
5 CONCLUSES
A modelagem proposta neste artigo uma
alternativa para predio espacial da espessura
de solo em escala de bacia hidrogrfica.
Utilizando-se de covariveis derivadas de um
modelo digital de elevao, mtodos emprico-
estatsticos demonstraram bom potencial de
predio.
O modelo GAM gerou melhor preciso,
sendo recomendvel para aplicaes
envolvendo muitas variveis explanotrias, que
eventualmente possuam relaes no lineares
com a varivel dependente.
Resultados produzidos com base na
metodologia apresentada podem ser utilizados
como dados de entrada em diversos modelos
espacialmente distribudos em geocincias.
AGRADECIMENTOS
O primeiro autor agradece ao Governo do
Estado do Esprito Santo, atravs do
Departamento de Estradas de Rodagem (DER-
ES).
REFERNCIAS
Bingham, N.H. e Fry, J.M. (2010) Regression: linear
models in statistics. 282 pp. Springer-Verlag London.
Catani, F.; Segoni, S. e Falorni, G. (2010) An empirical
geomorphology-based approach to the spatial
prediction of soil thickness at catchment scale. Wat.
Res. Research 46, W05508.
Hastie, T. e Tibshirani, R. (1990) Generalized Additive
Models, 334 pp. Chapman & Hall/CRC, New York.
Heimsath A.M.; Dietrich W.E.; Nishiizumi K. e Finkel,
R.C. (1999) Cosmogenic nuclides, topography, and
the spatial variation of soil depth. Geomorphology 27
(12): 151172.
Hengl, T.; Heuvelink, G.B.M. e Rotisser, D.G. (2007)
About regression-kriging: from equations to case
studies. Computers & Geosciences, 33, 13011315.
Kuriakose, L.S.; Devkota, S.; Rossiter, D.G. e Jetten,
V.G. (2009) Prediction of soil depth using
environmental variables in an anthropogenic
landscape, a case study in the Western Ghats of
Kerala, India. Catena, 79, 27-38.
Liu, J.; Chen, X.; Lin, H. e Song, H. (2013) A simple
geomorphic-based analytical model for predicting the
spatial distribution of soil thickness in headwater
hillslope and catchments. Wat. Res. Research, 49,
W10438.
Moore, I.D.; Gessler, P.E.; Nielsen, G.A. e Peterson,
G.A. (1993) Soil attribute prediction using terrain
analysis. Soil Sci. Soc. Am. J., 57, 443-452.
OCallaghan, J.F. e Mark, D.M. (1984) The extraction of
drainage networks from digital elevation data,
Comput. Vision Graphics Image Process., 28, 328
344.
Quinn, P.F.; Beven, K.J. e Lamb, R. (1995) The
ln(a/tan) Index: How to Calculate it and How to Use
it within the Topmodel Framework. Hydrol. Process.,
9 (42), 161-182.
R Development Core Team (2007), R: A language and
environment for statistical computing, 2.5.0, Rep. 3-
900051-07-0, R Found. for Stat. Comput., Vienna.
(Disponvel em http://www.R-project.org).
Saulnier, G.M.; Beven, K. e Obled, C. (1997) Including
spatially variable effective soil depths in
TOPMODEL. J. Hydrol., 202, 158-172.
Schwanghart, W. e Kuhn, N. (2010) TopoToolbox: A set
of Matlab functions for topographic analysis. Envir.
Model. & Software, 25, 770-781.
Tarboton, D.G. (1997) A new method for determination
of flow directions and contributing areas in grid
digital elevation models, Wat. Res. Research, 33, 309-
319, WR03137.
Tesfa, T.K.; Tarboton, D.G.; Chandler, D.G. e
McNamara, J.P. (2009) Modeling soil depth from
topographic and land cover attributes. Wat. Res.
Research, 45, W013834.
Wilford, J. e Thomas, M. (2013) Predicting regolith
thickness in the complex weathering setting of the
central Mt Lofty Ranges, South Australia. Geoderma,
206, 1-13.
Ziadat, F.M. (2010) Prediction of soil depth from digital
terrain data by integrating statistical and visual
approaches. Pedosphere, 20(3): 361-367.