Um Sistema Automatizado para a Classificação de Horizontes diagnósticos do SiBCS
SiBCS, classificação de solos, Python, sistemas especialistas, pedologia
Este trabalho apresenta um modelo computacional inovador para a classificação automatizada de horizontes do solo conforme o Sistema Brasileiro de Classificação de Solos (SiBCS). O estudo justifica-se pela complexidade e subjetividade inerentes ao processo manual de classificação, que frequentemente resulta em erros e inconsistências, especialmente diante das atualizações periódicas do SiBCS. O objetivo principal foi desenvolver um sistema baseado em regras lógicas, utilizando a linguagem Python, para identificar e classificar horizontes diagnósticos superficiais e subsuperficiais, e que fosse capaz de integrar-se à plataforma MultiSoils para ampliar sua aplicabilidade. A metodologia adotada envolveu a codificação dos critérios do SiBCS em Python, com ênfase na biblioteca py_rules, seguida da validação do modelo por meio de 18 testes baseados em perfis reais de solo, como Latossolos, Cambissolos, Nitossolos, Gleissolos, Argissolos, Vertissolos, Planossolos e Plintossolos, adaptados de estudos prévios e de Reuniões de Correlação e Classificação de Solos (RCCs). Os resultados demonstraram a eficácia do sistema na classificação coerente dos horizontes, embora desafios tenham sido identificados, particularmente na parametrização de horizontes espódicos devido à ambiguidade nos critérios do SiBCS. Destaca-se a importância da objetividade nos atributos diagnósticos para facilitar a automação, além da potencial integração com ferramentas existentes, como o SmartSolos da Embrapa. Conclui-se que o modelo desenvolvido é viável e funcional, oferecendo um avanço significativo para a pedologia digital, com aplicações em agricultura de precisão, gestão ambiental e ensino. Contudo, ressalta-se a necessidade de revisões contínuas do sistema para acompanhar as atualizações do SiBCS e aprimorar sua precisão. O trabalho contribui para a literatura ao propor uma solução tecnológica que combina conhecimento pedológico e computacional, reduzindo a dependência de especialistas humanos e aumentando a reprodutibilidade das classificações.