As aplicações espaciais de dados do solo como o MDS requerem dados geoespaciais consistentes, incluindo coordenadas geográficas e um sistema de referência de coordenadas conhecido. No entanto, quando se trata de dados legados, frequentemente encontramos esses dados geoespaciais ausentes ou incorretas. Neste artigo, nós avaliamos a qualidade dos dados geoespaciais de dados legados do solo no Brasil e avaliamos fontes de dados geoespaciais (relatórios de pesquisa, mapas, infraestruturas de dados espaciais, serviços de mapeamento na web) e conhecimento especializado como forma de corrigir tais inconsistências.

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.

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.