O estado de Minas Gerais está localizado no sudeste do Brasil entre -23°0' a -14°0' S e -51°0' a -40°0' W (Figura 1). Com base no tipo de clima de Köppen, existem tipos de clima na região: Cwb (clima temperado com inverno seco e verão moderadamente frio), Cwa (clima temperado com inverno e verão secos), Aw (clima tropical de savana com estação seca de inverno) e As (clima úmido semitropical). O arco geológico é marcado por quatro grandes províncias: (i) a Província de São Francisco, com rochas cristalinas, frequentemente cobertas por sedimentos metassedimentares (Neoproterozóico); (ii) a Província da Mantiqueira possui maciços e morros desenvolvidos em rochas graníticas/granitóidas e metamórficas (Proterozóicas); (iii) a Província do Tocantins compra as faixas granítica/granitoide e xistosas (Proterozóicas) no tabuleiro do Cráton do São Francisco; e (iv) a Bacia Sedimentar do Paraná, com rochas máficas cobertas por arenitos do Cretáceo, formando extensas planícies (Ab'sáber, 1970; Heineck et al., 2003). O estado é marcado pela presença de três importantes biomas – Mata Atlântica, Cerrado e Caatinga, além de zonas de transição denominadas ecótonos (Ab'sáber, 1970).

#fig1en.jpg
Figura 1 - (a) Localização do estado de Minas Gerais, (b) províncias geológicas de Minas Gerais, (c) domínios geológicos do estado de Minas Gerais

Para a análise da fragilidade ambiental, montou-se um quadro metodológico sintetizado na Figura 2, com procedimentos executados no software R (Rcore, 2023). Anteriormente, aplicou-se um modelo de Fragilidade Ambiental Potencial (PFE), que consiste na inserção de variáveis físico-ambientais (Ross, 1994; Crepani et al., 2001; Spörl et al., 2011). As variáveis inseridas foram clima, geología, relay e solo, com pesos atribuídos à classe de cada variável. Nessa etapa de ponderação, selecionamos valores (pesos) de fragilidade ambiental disponíveis em estudos anteriores e os atribuímos como classes (Ross, 1994; Crepani et al., 2001; Franco et al., 2011; Spörl et al., 2011; Cruz et al., 2017; Campos et al., 2019; Amorim et al., 2021). Aplicamos uma análise multicritério (Analytical Hierarchy Process - AHP) para definir a importância relativa de cada variável em relação à fragilidade ambiental, conforme proposto por Amorim et al (2021). Finalmente, aplicamos uma sobreposição das variáveis usando a equação PEF=C+G +R+S/4; onde PEF: Fragilidade Ambiental Potencial, C: Clima, G: Geologia, R: Revezamento (encosta), S: Solo. Ao final, obtém-se um resultado resultante da média aritmética dos valores de fragilitye registrados nas aulas. As ordens de fragilitye ambiental obtidas são classificadas em 1: muito baixa, 2: baixa, 3: média, 4: forte, 5: muito forte. Revezamento, S: Solo. Ao final, obtém-se um resultado resultante da média aritmética dos valores de fragilitye registrados nas aulas. As ordens de fragilitye ambiental obtidas são classificadas em 1: muito baixa, 2: baixa, 3: média, 4: forte, 5: muito forte. Revezamento, S: Solo. Ao final, obtém-se um resultado resultante da média aritmética dos valores de fragilitye registrados nas aulas. As ordens de fragilitye ambiental obtidas são classificadas em 1: muito baixa, 2: baixa, 3: média, 4: forte, 5: muito forte.

Do mapa do PFE (etapa anterior), extraímos os valores de fragilidade ambiental do mapa para uma nota de 4.800 pontos distribuídos aleatoriamente com distância mínima de 3 km. Esses pontos constituem a principal variável para determinar os níveis de fragilidade ambiental usando a técnica do algoritmo Machine Learning (ML); e o resultado desse procedimento é a geração de um novo mapa, aqui denominado Potential Environmental Fragility by Machine Learning (PEFML). No entanto, para auxiliar a previsão por ML, montamos um banco de dados de covariáveis em formato raster, estruturado em resolução de 1x1 km: cinquenta e cinco dados espaciais do WorldClim (Hijmans et al., 2005); 42 covariáveis geomorfométricas da Shuttle Radar Topographic Mission (SRTM) (USGS, 2023), extraídas utilizando o software SAGA (Olaya e Conrad, 2009; Sena et al., 2020); Um dado de espectrometria gama e um de gravimetria (Heineck et al., 2003), um NDVI calculado a partir de imagens de satélite do sensor MODIS (Moderate Resolution Imaging Spectroradiometer) de agosto de 2019 (USGS, 2023), que é o mais seco e mostra a diferença mais significativa entre fitofisionomias. As variáveis solo, geologia, clima, não foram incluídas para evitar previsões invejadas, pois faziam parte da geração PEF.

#fig2en.jpg
Figura 2 - Fluxograma com a sequência: determinação da variável de entrada (PFE); criação de banco de dados de covariáveis, seleção de covariáveis importantes com função RFE; teste de algoritmos para previsão de PEF com 100 execuções. Ao final, foi selecionado o algoritmo mais precisa para modelar e mapear o PEFML (Potential Environmental Fragility by Machine Learning PEFML). RF: Floresta Aleatória; SVM: Máquina de Suporte Vetorial; GLM: Modelos lineares generalizados; LM: Modelo linear. R2: R-quadrado; RMSE: Raiz do Erro Quadrático Médio

A etapa anterior gera uma estrutura de dados com valores de variáveis (PEF) e valores de covariáveis, mas o número excessivo de covariáveis também favorece a criação de modelos superestimados (Gomes et al., 2019; Padarian et al., 2020). Portanto, aplicamos um corte de correlação para eliminar covariáveis altamente correlacionadas, pois elas têm uma contribuição semelhante para explicar a distribuição de uma variável analisada. A função usada foi encontrar correlação, parametrizada pelo critério de corte de correlação >0,95 Pearson (Kuhn e Johnson, 2013). Além disso, aplicamos uma importante ferramenta de seleção de covariáveis usando uma ferramenta amplamente utilizada em modelos de previsão, chamada Recursive Feature Elimination (RFE), que também evita previsões superestimadas. O RFE é um método de seleção de características inversas no conceito central baseado na eliminação de covariáveis sem importância (Kuhn e Johnson, 2013). Após remover a covariável menos importante, o RFE reajuste o modelo com um conjunto menor de covariáveis, reiniciando o processo para eliminar a covariável menos importante; e este processo é repetido várias vezes até a stabilizationção em que o nível de precisão determinado por R-quadrado (R2 ) não diminui. Este processo é realizado com base apenas no dataset de treinamento que foi 75% das amostras, enquanto os outros 25% são utilizados no processo de teste (holdout-test). No aprendizado de máquina, a fase de teste é um processo para avaliar o desempenho de um modelo treinado com um conjunto de teste (ou seja, 25% das amostras), que não foi visto pelo modelo na fase de treinamento.

A partir dos dados ajustados às covariáveis selecionadas pelo RFE, estas foram usados para foresee a fragilitye ambiental da área de estudo, testando diferentes algoritmos. Além disso, para cada algoritmo, o processo foi repetido em 100 execuções usando o subconjunto apropriado de covariáveis indicado pelo RFE. Na etapa de previsão, foram utilizados cinco algoritmos de aprendizado de máquina: Cubist (Quinlan, 1992), Generalized linear models-GLM (Hastie e Tibshirani, 1987), Linear Model Regression – LM (Faraway, 2016), Random Forest – RF (Breiman, 2001) e Support Vector Machine – SVM (Cortes e Vapnik, 1995). Esses modelos foram testados em diversos estudos (Brungard et al., 2015; Longe, 2016; Morellos et al., 2016; Gomes et al., 2019; Souza et al., 2022; Silva et al., 2023). Além disso, o uso de diferentes algoritmos é essencial para avaliar as limitações relacionadas à predição da variável-alvo por algoritmos que possuem diferentes rotinas estatísticas (Kuhn e Johnson, 2013; Padarian et al., 2020). Consideramos, na avaliação do algoritmo mais precisa, as métricas da fase de teste (25% das amostras) e avaliamos o efeito de overfitting comparando com os dados de treinamento (75% das amostras), usando como métricas: R-quadrado - R2 e raiz do erro quadrático médio – RMSE.

Para observar a variação entre o PEFML e o método original (PEF), uma nova grade de pontos foi criada com 4,800 pontos aleeatórios, com posterior extração dos valores PEFML e PEF. Além disso, essa análise estatística foi disponibilizada para Minas Gerais (Mapas: Grau de conservação, Risco de erosão, Vulnerabilidade natural, Prioridade de conservação, Vulnerabilidade do solo, Erodibilidade). Esses mapas fazem parte do trabalho compilado do zoneamento agroecológico de Minas Gerais disponibilizados em dados matriciais (raster), com intervalos de 1 a 5, faixa compatível com o PEFML

mapa (Scolforo et al., 2008). Sobre esses dados, aplicamos a análise de correlação de Pearson e a análise de cluster K-means para observar as relações entre esses mapas e os clusters de similaridade (Sena et al., 2020). Para fornecer uma visão espacial das correlações, selecionamos os mapas de falésias e vulnerabilidade ambiental com base em Scolforo et al (2008) e aplicamos um cálculo de subtração usando PEFML como referência, de acordo com a equação: Mapas de relação= PEFML -EZMi. Onde PEFML : Mapa de Fragilidade Ambiental Potencial por Machine Learning, EZM: Mapa da zona ambiental, i: mapa específico do EZM.

O processo preditivo do PEFML envolve cinco algoritmos e banco de dados de covariáveis com dados climáticos, topográficos, geoquímicos e de vegetação, com níveis de correlação de 0,95 nessas covariáveis. Ao aplicar a função RFE para selecionar covariáveis importantes, observamos que aproximadamente doze covariáveis é o número máximo para gerar R 2 mais altoe menor RMSE nos algoritmos utilizados (Figura 3 a,b). O algoritmo Random Forests apresentou o melhor desempenho na seleção do RFE, selecionando apenas 10 covariáveis classificadas por nível de importância (Figura 4). De acordo com o ranking (% global), os dados bioclimáticos do WorldClim foram predominantes e mais significativos. Dentre as variáveis topográficas, apenas MRRTF (MRTF: multiresolution ridge-top planness index), que indica posições planas em áreas de alta altitude, e MRVBF (MRVBF: multiresolution valley bottom planness index), que mostra superfícies planas no fundo do vale, foram incluídas na modelagem. Além dessas, uma covariável de spectrometria gama do elemento K ocupou o terceiro nível de importância. Esta covariável, além de indicar a espectrometria de raios gama para o potássio (40 K), também pode ser correlacionada com um certo volume do elemento na superfície. Portanto, Random Forest foi selecionado por precaução, pois de 100 execuções gerou >R 2 (treinamento 0.61, teste 0.59)

#fig3en.jpg
Figura 3 - Desempenho dos modelos: (a, b) evolução das métricas R-quadrado (R2), raiz do erro quadrático médio (RMSE) na seleção da covariável usando Recursive Feature Elimination. c, d) Métricas de precisão R2 e erro RMSE, respectivamente, em 100 execuções usando covariáveis selecionadas por RFE. RF: Floresta Aleatória; SVM: Máquina de Suporte Vetorial; GLM: Modelos lineares generalizados; LM: Modelo linear. R2: R-quadrado; RMSE: Raiz do Erro Quadrático Médio

#fig4en.jpg
Figura 4 - A importância relativa das covariáveis, dada pelo percentual geral. Bio 4: tempero de temperatura (desvio do padrão ∗ 100), MRRTF: índice planicida de múltiplas resoluções, faixa K: elemento K de espectrometria gama, MRVBF: índice de planicídio multirresolução do fundo do vale, Bio 4: tempero de temperatura, Bio 8: temperatura média do trimestre mais quente, Bio 12: precipitação anual, BIO18: precipitação do trimestre mais longo, Bio 13: precipitação do mais seco, BIO15: precipitação do mais seco (coeficiente de variação), BIO14: precipitação do mais seco

O mapa de Fragilidade Ambiental Potencial utilizando ML (PEFML) mostra padrões espaciais semelhantes com o mapa de fragilidade ambiental derivado de vários postes superiores (PEF) - (Figura 5). Essa similaridade atesta a robustez das previsões do ML em aprender como ocorre a distribuição de uma variável, e esse aprendizado foi feito com novas covariáveis (Figura 4), portanto, sem adicionar as variáveis que deram origem ao mapa de fragilidade ambiental pelo método de Ross (ou seja, variáveis mostradas na Figura 5a).

No entanto, a previsão usando o algoritmo de RF mostrou a desvantagem por normalizar valores que possuem baixa expressividade territorial, assim classes de fragilitye abaixo de 1.7 e acima de 4.3 foram eliminadas, incluindo assim a classe 1 (muito baixa) e 5 (muito forte). Portanto, a alternativa foi aplicar uma reclassificação dos níveis, de acordo com (1.7 a 2.7: baixo, 2.8 a 3.4: médio, 3.5 a 4: forte). Esse critério de separação prioriza classe de fragilitye média, que é dominante no mapa do PEF (Figura 5 b).

Apesar de normalizar os valores, a predição do ML gerou um mapa com feições mais detalhadas, pois a predição captura as feições das covariáveis inseridas e no criou grandes zonas homogêneas, indicando de forma coerente áreas de fragilidade ambiental (Figura 5 b,c). Portanto, a distribuição espacial do PEFML apresenta padrões espaciais que denotam a influência de várias variáveis de entrada recomendadas em estudos de fragilidade ambiental (Ross, 1994; Spröl e Ross, 2006; Cruz et al., 2017).

Por exemplo, a previsão capta a influência da geomorfologia no aumento do nível de fragilidade ambiental em áreas de maior declividade no contexto da região central, onde há relâmpagos de forte declínio (por exemplo, Serra do Espinhaço), e em áreas íngremes, como as planícies da região noroeste. Fatores geológicos e edáficos também contribuem para áreas de média e alta fragilidade, principalmente em áreas com maior variação pedagógica e geológica, como as regiões central e norte do estado (Iglesias e Uhlein, 2009; Silva et al., 2018). Além disso, a região norte tem adicionado fator de condições climáticas de baixa precipitação para contribuir para maiores níveis de fragilidade; Esta parte do estado inclui o limite do semiárido brasileiro.

A baixa fragilidade ambiental predomina na maior parte do estado, principalmente em áreas localizadas a leste. Essa configuração também atesta que o PEFMLmap é espacialmente consistente, uma vez que, em áreas localizadas a leste, a maioria dos vários pontos de entrada no modelo PEF também apresenta baixos níveis de fragilidade ambiental, com exceção do relé cabelo, pois há um relé do domínio Mares de Morros, prevalecendo maiores declividades (Figura 5a). Como áreas de baixa fragilidade ambiental também possuem extensão na região norte, onde apenas uma geologia variável apresenta maiores níveis de fragilidade, portanto, outras variáveis são responsáveis por essa atenuação. Esse efeito de atenuação se repete na região oeste (região do Triângulo Mineiro), devido à geologia expressar alta fragilidade ambiental; Enquanto isso, o revezamento do declínio e a predominância de solos profundos influenciam na redução de valores.

#fig5en.jpg
Figura 5 - (a) Entrada de variáveis com valores de fragilidade para gerar um mapa de Fragilidade Ambiental Potencial, (b) Mapa de Fragilidade Ambiental Potencial por superposição de variáveis ambientais, (c) Mapa de Fragilidade Ambiental Potencial gerado por Machine Learning utilizando o modelo de Floresta Aleatória (100 corridas) (PEFML), e histograma com distribuição de classes

Além da semelhança do padrão espacial entre o mapa PEF pelo método convencional e o mapa PEFML derivado do aprendizado de máquina, também houve uma forte correlação estatística entre esses mapas (Pearson 0,70); e esses dois mapas estão no mesmo cluster (C3) (Figura 6), confirmando o nível de similaridade. Dessa forma, comparamos os mapas de fragilidade ambiental das metodologias (PFE e PEFML) com outras informações ambientais sobre risco e vulnerabilidade ambiental disponíveis para o estado de Minas Gerais (Scolforo et al., 2008). O PEFMLmapa sempre mostrou uma correlação superior com mapas de risco e vulnerabilidade, indicando que é potencial mais explicativo de otherros fatores ambientais: vulnerabilidade do solo, prioridade de conservação, grau de conservação, vulnerabilidade natural, erodibilidade e risco de erosão. Por outro lado, o mapa PEF apresentou valores fracos em todas as correlações com esses mapas (Figura 6).

A comparação espacial entre o PEFML o mapa com os mapas de risco e vulnerabilidade apresentou correspondência entre os mapas ao indicar áreas com grau de fragilidade semelhante; mesmo considerando que o mapa PEFML possui um intervalo menor de classes (1,7 a 4,3). Portanto, na maior área do estado, os resultados mostram que a variação dos valores de fragilidade ambiental não existe.

PEFML com outros mapas está em uma faixa baixa (1 e -1 para cada classe de fragilitye). Essa baixa variação atesta que o mapa PEFML pode captar informações sobre risco/vulnerabilidade ambiental de fatores isolados, sugeriendo ser um modelo mais completo.

#fig6pt.jpg
Figura 6 - Correlação entre os valores de fragilitye usando o método de álgebra de mapas (PEF) e o algoritmo de aprendizado de máquina (PEFML). Além disso, correlação com mapas de risco e vulnerabilidade usando dados da base de zoneamento digital de Minas Gerais (Scolforo et al., 2008). (Todos os valores com nível de significância alfa = 0,05; linha verde para separação dos agrupamentos (C1 a C4); correlação dos quadrados de preto entre PFE e PEFML

#fig7pt.jpg
Figura 7 - Mapas da relação entre o mapa de fragilidade ambiental (PEFML) (canto superior esquerdo), com cada mapa de vulnerabilidade e risco ambiental produzido a partir da zona econômico-ecológica do estado de Minas Gerais. Pequeno mapa em cada canto inferior é o mapa de risco e vulnerabilidade.

A predição espacial de fragilitye usando vários ML associados a conjuntos de dados de covariáveis é um procedimento de análise espacial robusto e mostra diferentes desempenhos estatísticos de acordo com o algoritmo selecionado. O algoritmo mais eficiente para escolher covariáveis para predição PEFML foi o RF, com a ferramenta RFE ajustada a este algoritmo, e seu algoritmo lida bem com dados de alta dimensão e permite relações não lineares entre preditores (Breiman, 2001; Gomes et al., 2019). Ressaltamos a vantagem de usar a função RFE na fase de treinamento, eliminando covariáveis que não melhoraram o desempenho da predição, e essa remoção cria uma predição mais más simples e não superestimada, obedecendo ao princípio da parcimônia na modelagem (Brungard et al., 2015 ). o R2e quanto as métricas RMSE foram satisfatórias (Figura 3c,d), principalmente quando considerados os valores das fases de treinamento e teste, que foram semelhantes, indicando que na fase de execução do algoritmo, o modelo treinou e testou satisfatoriamente (ou seja, sem overfitting efeito) e o RF tem uma vantagem em mitigar esse efeito adverso (Breiman, 2001; Were et al., 2015). Dados de previsão ambiental, especialmente para grandes áreas, raramente geram R 2 acima de 0,70. A limitação de métricas altas decorre de fatores de baixa resolução das covariáveis, falta de covariáveis estritamente ligadas à variável analisada e dados que não possuem relações lineares simples (Malone et al., 2009; Gomes et al., 2019; Padarian et al., 2019). al., 2020; Souza et al., 2022).

Considerando que o RF realizou o treinamento usando as covariáveis indicadas pelo RFE, algumas dessas covariáveis são potencialmente explicativas dos níveis de fragilidade ambiental em Minas Gerais (Figura 4). Em geral, as covariáveis selecionadas têm alguma relação com as variáveis de entrada para determinar o PEF (ou seja, clima, geología, relevo, solo). Portanto, os dados do WorldClim foram predominantes e de maior importância, especialmente os bioclimáticos, que são mais significativos na explicação das tendências climáticas (Hijmans et al., 2005; Gomes et al., 2019). As informações topográficas do SRTM também compõem as covariáveis selecionadas para predição; Fazem parte desta seleção MRRTF e MRVBF que enfatizam áreas planas em altitude ou vales. Essas covariáveis topográficas estão correlacionadas com processos hidrológicos de erosão e deposição (Gallant e Dowling, 2003), associados a áreas de fragilidade ambiental. A terceira covariável mais significativa foram os dados gama-spectrometria do elemento potássio (K gama-spectrometria). O potássio é um componente dos minerais (feldspato, biotita e muscovita), presente em níveis proeminentes em algumas rochas e isolado com baixo desenvolvimento pedogenético e/ou apenas eutrófico (Guevara et al., 2018). Portanto, a seleção da gama-spectrometria de K foi eficiente porque combina duas informações (solo e geología), que são variáveis para a modelagem do PEF. presente em níveis proeminentes em algumas rochas e solos com baixo desenvolvimento pedogenético e/ou apenas eutróficos (Guevara et al., 2018). Portanto, a seleção da gama-spectrometria de K foi eficiente porque combina duas informações (solo e geología), que são variáveis para a modelagem do PEF. presente em níveis proeminentes em algumas rochas e solos com baixo desenvolvimento pedogenético e/ou apenas eutróficos (Guevara et al., 2018). Portanto, a seleção da gama-spectrometria de K foi eficiente porque combina duas informações (solo e geología), que são variáveis para a modelagem do PEF.

Em relação à distribuição espacial do PEFMLvalores, há uma conjunção de fatores que atuam para atenuar ou aumentar os níveis de fragilidade ambiental. Diversas regiões com maior fragilidade ambiental estão associadas a áreas de maior declividade, onde predomina o processo de morfologia, esse aspecto é marcado no contexto da Serra do Espinhaço ou escarpas de planície, feição geomorfológica típica de Minas Gerais (Callisto et al., 2016; Costa, 2021). Por exemplo, na Serra do Espinhaço, há ambientes sustentados pela interdependência de processos dinâmicos entre tipos de vegetação, clima, rugosidade, declividação e vazão hidrológico. Um exemplo são os campos rochosos ferruginosos "ecossistemas de canga"

Fatores geológicos também contribuem para o aumento da fragilidade ambiental, principalmente em áreas com grande variação litológica, onde as paisagens são esculpidas por processos diferenciais de nudez. Por exemplo, na área do Quadrilátero Ferrífero predominam rochas resistentes ao processo de rebaixamento vertical (downwearing). Além disso, ainda existem áreas que têm sido afetadas pelos processos de retração lateral das escarpas (backwearing), devido à erosão de litótipos mais frágeis, que formam a base das escarpas (Salgado et al., 2006). Os processos evolutivos são semelhantes aos associados à erosão diferencial envolvendo outros tipos litológicos, que têm sido registrados em outras áreas do estado, criando relés inclinados (Simões et al., 2020; Souza et al., 2020; Costa, 2021). Outro contexto geológico que frequentemente apresenta maiores níveis de fragilidade em áreas de rochas carbonáticas, particularmente em uma zona de geomorfologia cárstica, que tende a apresentar diversos problemas de vulnerabilidade devido à presença de fraturas e cavidades produzidas por processos cársticos (Pessoa et al., 2020). A atenuação da fragilidade ambiental em áreas de rochas carbonáticas deve-se à presença de solos profundos (Latossolos) e/ou solos relativamente eutróficos (Latossolos - Kandic) – (Ker, 1997), criando mais ambientes com predominância de processos morfogenéticos e pedogênicos. Além disso, as condições geológicas e topográficas que indicam um alto grau de fragilidade ambiental podem ser uma contribuição adicional para o fator climático, que parece ser o caso da região norte do estado, principalmente por estar em áreas sujeitas à desertificação (Barros et al., 2018). Portanto

Os menores níveis de fragilidade ambiental devem-se à presença de rochas graníticas e metamórficas (gnaisses) na província geológica da Mantiqueira (Figura 1), sistemas rochosos com baixa vulnerabilidade (Cruz et al., 2017). Apenas as profundas, localizadas em áreas de revezamento inclinado, também contribuem para atenuar a fragilidade ambiental, pois estão apenas mais na paisagem e o processo de pedogênese é preponderante (Ker, 1997; Nunes et al., 2001). No entanto, os níveis de fragilidade ambiental podem aumentar a condição de alta declivida, associada à presença apenas daqueles que são baixos, como os Cambissolos (Nunes et al., 2001). Os valores de baixa e média fragilidade também estão sendo estagnados no oeste do estado, envolvendo grande parte da Baía do Paraná. Nessa região predomina com morfologia plana, profunda e de baixa fertilidade (Ker, 1997). Apenas os distróficos são apresentados, os atributos físicos são apresentados, e os processos de pedogênese suplantam os morfofogênese (Motta et al., 2002). Portanto, os valores de fragilitye obedecem à configuração do terreno; apenas em áreas de maior declividade é que os valores de fragilidade aumentam (Martins e Rodrigues, 2012). No entanto, os níveis de fragilidade ambiental podem aumentar a condição de alta declivida, associada à presença apenas daqueles que são baixos, como os Cambissolos (Nunes et al., 2001). Os valores de baixa e média fragilidade também estão sendo estagnados no oeste do estado, envolvendo grande parte da Baía do Paraná. Nessa região predomina com morfologia plana, profunda e de baixa fertilidade (Ker, 1997). Apenas os distróficos são apresentados, os atributos físicos são apresentados, e os processos de pedogênese suplantam os morfofogênese (Motta et al., 2002). Portanto, os valores de fragilitye obedecem à configuração do terreno; apenas em áreas de maior declividade é que os valores de fragilidade aumentam (Martins e Rodrigues, 2012).

O modelo de fragilidade por superposição de mapas (variáveis) (Ross, 1994; Spröl e Ross, 2006), amplamente aplicado em estudos ambientais, continua sendo um método eficiente para identificar áreas de fragilidade ambiental (Spröl e Ross, 2006; Franco et al., 2011 ; Spörl et al., 2011;Martins e Rodrigues, 2012; Campos et al., 2019;Anjinho et al., 2021). No entanto, o modelo de fragilidade ambiental por aprendizado de máquina (PEFML), aplicado neste estudo, também se mostrou um método confiável, incluindo resultados altamente correlacionados com o método original (Figura 6). Além disso, o PEFMLmapa foi mais correlacionado com outros dados sobre fragilidade, vulnerabilidade e risco ambiental para o estado de Minas Gerais (Scolforo et al., 2008). Essa correlação mais alta sugere que a previsão ML é um modelo mais explicativo de outros fatores ambientais não presente na modelagem PEF, que usa apenas variáveis sobrepostas com pesos atribuídos. Presumivelmente, essa maior correlação é uma contribuição do número de variáveis selecionadas na etapa da função RFE no teste do modelo, devido aos métodos preditivos de ML, resultado do mapa e influenciado pelas informações de várias variáveis que auxiliam nas previsões ( Brungard et al., 2015; Gomes et al., 2019; Souza et al., 2022).

Os resultados apresentados indicam um ganho metodológico na modelagem de potenciais fragilidades ambientais utilizando ML. Basicamente, o ML é um método de análise robusto, e modelos complexos tendem a produzir previsões mais precisas do que modelos mais simples, pois além de testar diferentes algoritmos bem desenvolvidos no campo da ciência estatística, a previsão ML tem em sua estrutura a incorporação de covariáveis que auxilia na previsão (Kuhn e Johnson, 2013; Brungard et al., 2015; Morellos et al., 2016; Souza et al., 2022). Portanto, a inserção de covariáveis novas que possam explicar a distribuição espacial de áreas potencialmente frágeis também é um fator essencial, especialmente quando se considera que a vulnerabilidade ambiental está associada a uma multiplicidade de variáveis físicas e antrópicas (Cruz et al., 2017),