O teor de água no solo é um dos fatores determinantes nos processos de transferência entre o solo e a atmosfera, contribuindo nos balanços de água e de energia. Esse teor é influenciado pelas entradas de água na bacia hidrográfica, por características climáticas, topográficas, de cobertura vegetal, práticas de manejo agrícola e propriedades do solo. A grande heterogeneidade desses fatores faz com que a caracterização desse teor seja ainda um grande desafio. Essa pesquisa objetivou desenvolver abordagens baseadas em Redes Neurais Artificiais (RNAs) para determinação da variação espacial e temporal do teor de água no solo, utilizando informações climáticas, propriedade físicas do solo e variáveis topográficas de uma bacia hidrográfica, com área aproximada de 78 km², localizada na Região Sul do Brasil (bacia do Taboão). A RNA adotada é uma rede de duas camadas, com 25 neurônios na camada intermediária, sendo o treinamento realizado por meio do algoritmo retropropagativo, considerando16 iterações iniciais dos pesos sinápticos, e número máximo de ciclos igual a 30.000. No total foram testadas 40 variáveis de entrada, sendo quatro referentes à topografia (altitude, declividade, distância do ponto ao trecho do rio mais próximo e desnível do ponto ao trecho mais próximo do rio); oito relacionadas ao solo (tipo de solo, densidade do solo, resistência à penetração no solo para as camadas de 0 a 20 cm e 20 a 40 cm, tensão da água no solo em apenas um ponto na bacia e percentual de argila, silte e areia), 10 relativas ao clima (clima, evapotranspiração de referência, temperatura do ar máxima e temperatura do ar, umidade relativa do ar máxima e umidade relativa do ar mínima, pressão atmosférica, radiação solar global, velocidade do vento e temperatura na relva), e 18 variáveis de chuva (chuva de 1, 2, 3, 4, 5, 6 e 12h; chuva de 1, 2, 3, 5, 10, 15, 20, 25 e 30 dias; chuva média ponderada horária; chuva média ponderada diária). A saída dos modelos foi comparada com valores de umidade gravimétrica determinados por amostras coletadas em 26 pontos da bacia, distribuídos espacialmente na bacia, no período compreendido entre 15/01 e 10/08/2013. Neste período o teor de água no solo (umidade gravimétrica) variou entre 13,73 e 33,75%. Os resultados demonstram que é possível estimar o teor de água no solo, com distribuição espacial e temporal, com boa eficiência (NSverificação = 0,77), empregando dados topográficos da bacia, propriedades físicas do solo e dados de chuva. As informações climáticas, por outro lado, não afetam significativamente essa estimativa (NSv=0,28), podendo até diminuir a eficiência do modelo (NSv=0,77 para NSv=0,68). O emprego de muitas variáveis não gera necessariamente o melhor desempenho do modelo, pois uma variável pode mascarar a outra e, até mesmo, interferir a eficiência do modelo (NSv=0,70 e NS=0,61 para os modelos onde foram utilizadas 38 variáveis de entrada), além de aumentar o custo e o tempo para aquisição dessas variáveis, e a dificuldade de interpretação dos resultados em relação às várias entradas. Alternativamente, pode-se estimar o teor de água no solo utilizando modelos mais simplificados que empregam dados de chuva monitorados e informações extraídas de mapas (topografia e tipo de solo), mas o desempenho desses modelos é menor (NSv 0,66). A análise de importância das variáveis de entrada delimitou a tensão da água no solo e a chuva como as variáveis mais influentes nos modelos de melhor desempenho, e a densidade do solo como a menos importante. Nos modelos mais simples, a variável menos relevante é a declividade e a mais importante é a chuva. A análise de sensibilidade demonstrou que nem sempre os modelos conseguem reproduzir o que deveria ocorrer no ambiente natural. / The water content in the soil is one of the determining factors in the transfer processes between the soil and the atmosphere, contributing to the balances of water and energy. This content is influenced by inputs to the basin, climate characteristics, topography, land cover characteristics, agricultural practices, and soil properties. These wide heterogeneity factors make the soil water content characterization still a challenge. This research aimed to develop an Artificial Neural Network (ANN) model to determine the spatial and temporal variation of the water content in the soil, using climate data, physical properties of soil, and topographic variables, of a basin with an area of approximately 78 km2, located in Brazil`s southern region (Taboão basin). The model adopted is a double layer feedforward neural network with 25 neurons in the hidden layer. The learning method is the back propagation algorithm, with 16 interactions to avoid local minima, and the maximum number of cycles chosen was 30,000. A total of 40 input variables were tested, including four of topography (altitude, slope, distance from the point to the nearest stretch of river and unevenness of the point closest to the stretch of the river), eight of soil related variables (soil type, soil density, soil penetration resistance for layers from 0 to 20 cm and from 20 to 40 cm, soil water tension at a single point in the basin and percentage of clay, silt and sand), 10 climate-related variables (climate, evapotranspiration reference, maximum and minimum air temperature, maximum and minimum air relative humidity, atmospheric pressure, global solar radiation, wind speed and temperature on grass) and 18 variables related to rain (accumulated precipitation in 1, 2, 3, 4, 5, 6 e 12h; accumulated precipitation in 2, 3, 5, 10, 15, 20, 25 and 30 days; weighted hourly accumulated precipitation; weighted daily accumulated precipitation). The outputs of the models were compared with values determined by gravimetric moisture samples collected from 26 points spatially distributed in the basin, in the period between 15/01 and 10/08/2013. During this period the soil water content (gravimetric water content) ranged from 13.73 to 33.75%. The results show that it is possible to estimate the water content of the soil, temporal and spatial distribution, with good efficiency (NSverication = 0.77), using topographic data from the basin, soil physical properties and precipitation data. The weather information, on the other hand, did not significantly affect the estimate (NSv = 0.28) and may even decrease the efficiency (NSv) of the model (from 0.77 to 0.68). The use of many variables not necessarily generates the best performance of the model as a variable may mask another and even disrupt the efficiency of the model (NSv = 0.70 and NSv = 0.61, where 38 input variables were used), besides increasing the cost and the time to acquire these variables, and the difficulty of interpreting the results in relation to the various inputs. Alternatively, one can estimate the water content in soil using more simplified models, employing monitored rainfall data and information extracted from maps (topography and soil type), but the performance of these models is smaller (NSv 0.66). The analysis of the importance of input variables delimited the soil water tension and the rain as the most influential variables in the best models, and the density of the soil as the least important. In the simplest models, the less relevant variable is the slope and the most important is the rain. The sensitivity analysis showed that the models cannot always play what should occur in the natural environment.

O teor de água no solo é um dos fatores determinantes nos processos de transferência entre o solo e a atmosfera, contribuindo nos balanços de água e de energia. Esse teor é influenciado pelas entradas de água na bacia hidrográfica, por características climáticas, topográficas, de cobertura vegetal, práticas de manejo agrícola e propriedades do solo. A grande heterogeneidade desses fatores faz com que a caracterização desse teor seja ainda um grande desafio. Essa pesquisa objetivou desenvolver abordagens baseadas em Redes Neurais Artificiais (RNAs) para determinação da variação espacial e temporal do teor de água no solo, utilizando informações climáticas, propriedade físicas do solo e variáveis topográficas de uma bacia hidrográfica, com área aproximada de 78 km², localizada na Região Sul do Brasil (bacia do Taboão). A RNA adotada é uma rede de duas camadas, com 25 neurônios na camada intermediária, sendo o treinamento realizado por meio do algoritmo retropropagativo, considerando16 iterações iniciais dos pesos sinápticos, e número máximo de ciclos igual a 30.000. No total foram testadas 40 variáveis de entrada, sendo quatro referentes à topografia (altitude, declividade, distância do ponto ao trecho do rio mais próximo e desnível do ponto ao trecho mais próximo do rio); oito relacionadas ao solo (tipo de solo, densidade do solo, resistência à penetração no solo para as camadas de 0 a 20 cm e 20 a 40 cm, tensão da água no solo em apenas um ponto na bacia e percentual de argila, silte e areia), 10 relativas ao clima (clima, evapotranspiração de referência, temperatura do ar máxima e temperatura do ar, umidade relativa do ar máxima e umidade relativa do ar mínima, pressão atmosférica, radiação solar global, velocidade do vento e temperatura na relva), e 18 variáveis de chuva (chuva de 1, 2, 3, 4, 5, 6 e 12h; chuva de 1, 2, 3, 5, 10, 15, 20, 25 e 30 dias; chuva média ponderada horária; chuva média ponderada diária). A saída dos modelos foi comparada com valores de umidade gravimétrica determinados por amostras coletadas em 26 pontos da bacia, distribuídos espacialmente na bacia, no período compreendido entre 15/01 e 10/08/2013. Neste período o teor de água no solo (umidade gravimétrica) variou entre 13,73 e 33,75%. Os resultados demonstram que é possível estimar o teor de água no solo, com distribuição espacial e temporal, com boa eficiência (NSverificação = 0,77), empregando dados topográficos da bacia, propriedades físicas do solo e dados de chuva. As informações climáticas, por outro lado, não afetam significativamente essa estimativa (NSv=0,28), podendo até diminuir a eficiência do modelo (NSv=0,77 para NSv=0,68). O emprego de muitas variáveis não gera necessariamente o melhor desempenho do modelo, pois uma variável pode mascarar a outra e, até mesmo, interferir a eficiência do modelo (NSv=0,70 e NS=0,61 para os modelos onde foram utilizadas 38 variáveis de entrada), além de aumentar o custo e o tempo para aquisição dessas variáveis, e a dificuldade de interpretação dos resultados em relação às várias entradas. Alternativamente, pode-se estimar o teor de água no solo utilizando modelos mais simplificados que empregam dados de chuva monitorados e informações extraídas de mapas (topografia e tipo de solo), mas o desempenho desses modelos é menor (NSv 0,66). A análise de importância das variáveis de entrada delimitou a tensão da água no solo e a chuva como as variáveis mais influentes nos modelos de melhor desempenho, e a densidade do solo como a menos importante. Nos modelos mais simples, a variável menos relevante é a declividade e a mais importante é a chuva. A análise de sensibilidade demonstrou que nem sempre os modelos conseguem reproduzir o que deveria ocorrer no ambiente natural. / The water content in the soil is one of the determining factors in the transfer processes between the soil and the atmosphere, contributing to the balances of water and energy. This content is influenced by inputs to the basin, climate characteristics, topography, land cover characteristics, agricultural practices, and soil properties. These wide heterogeneity factors make the soil water content characterization still a challenge. This research aimed to develop an Artificial Neural Network (ANN) model to determine the spatial and temporal variation of the water content in the soil, using climate data, physical properties of soil, and topographic variables, of a basin with an area of approximately 78 km2, located in Brazil`s southern region (Taboão basin). The model adopted is a double layer feedforward neural network with 25 neurons in the hidden layer. The learning method is the back propagation algorithm, with 16 interactions to avoid local minima, and the maximum number of cycles chosen was 30,000. A total of 40 input variables were tested, including four of topography (altitude, slope, distance from the point to the nearest stretch of river and unevenness of the point closest to the stretch of the river), eight of soil related variables (soil type, soil density, soil penetration resistance for layers from 0 to 20 cm and from 20 to 40 cm, soil water tension at a single point in the basin and percentage of clay, silt and sand), 10 climate-related variables (climate, evapotranspiration reference, maximum and minimum air temperature, maximum and minimum air relative humidity, atmospheric pressure, global solar radiation, wind speed and temperature on grass) and 18 variables related to rain (accumulated precipitation in 1, 2, 3, 4, 5, 6 e 12h; accumulated precipitation in 2, 3, 5, 10, 15, 20, 25 and 30 days; weighted hourly accumulated precipitation; weighted daily accumulated precipitation). The outputs of the models were compared with values determined by gravimetric moisture samples collected from 26 points spatially distributed in the basin, in the period between 15/01 and 10/08/2013. During this period the soil water content (gravimetric water content) ranged from 13.73 to 33.75%. The results show that it is possible to estimate the water content of the soil, temporal and spatial distribution, with good efficiency (NSverication = 0.77), using topographic data from the basin, soil physical properties and precipitation data. The weather information, on the other hand, did not significantly affect the estimate (NSv = 0.28) and may even decrease the efficiency (NSv) of the model (from 0.77 to 0.68). The use of many variables not necessarily generates the best performance of the model as a variable may mask another and even disrupt the efficiency of the model (NSv = 0.70 and NSv = 0.61, where 38 input variables were used), besides increasing the cost and the time to acquire these variables, and the difficulty of interpreting the results in relation to the various inputs. Alternatively, one can estimate the water content in soil using more simplified models, employing monitored rainfall data and information extracted from maps (topography and soil type), but the performance of these models is smaller (NSv 0.66). The analysis of the importance of input variables delimited the soil water tension and the rain as the most influential variables in the best models, and the density of the soil as the least important. In the simplest models, the less relevant variable is the slope and the most important is the rain. The sensitivity analysis showed that the models cannot always play what should occur in the natural environment.

O teor de água no solo é um dos fatores determinantes nos processos de transferência entre o solo e a atmosfera, contribuindo nos balanços de água e de energia. Esse teor é influenciado pelas entradas de água na bacia hidrográfica, por características climáticas, topográficas, de cobertura vegetal, práticas de manejo agrícola e propriedades do solo. A grande heterogeneidade desses fatores faz com que a caracterização desse teor seja ainda um grande desafio. Essa pesquisa objetivou desenvolver abordagens baseadas em Redes Neurais Artificiais (RNAs) para determinação da variação espacial e temporal do teor de água no solo, utilizando informações climáticas, propriedade físicas do solo e variáveis topográficas de uma bacia hidrográfica, com área aproximada de 78 km², localizada na Região Sul do Brasil (bacia do Taboão). A RNA adotada é uma rede de duas camadas, com 25 neurônios na camada intermediária, sendo o treinamento realizado por meio do algoritmo retropropagativo, considerando16 iterações iniciais dos pesos sinápticos, e número máximo de ciclos igual a 30.000. No total foram testadas 40 variáveis de entrada, sendo quatro referentes à topografia (altitude, declividade, distância do ponto ao trecho do rio mais próximo e desnível do ponto ao trecho mais próximo do rio); oito relacionadas ao solo (tipo de solo, densidade do solo, resistência à penetração no solo para as camadas de 0 a 20 cm e 20 a 40 cm, tensão da água no solo em apenas um ponto na bacia e percentual de argila, silte e areia), 10 relativas ao clima (clima, evapotranspiração de referência, temperatura do ar máxima e temperatura do ar, umidade relativa do ar máxima e umidade relativa do ar mínima, pressão atmosférica, radiação solar global, velocidade do vento e temperatura na relva), e 18 variáveis de chuva (chuva de 1, 2, 3, 4, 5, 6 e 12h; chuva de 1, 2, 3, 5, 10, 15, 20, 25 e 30 dias; chuva média ponderada horária; chuva média ponderada diária). A saída dos modelos foi comparada com valores de umidade gravimétrica determinados por amostras coletadas em 26 pontos da bacia, distribuídos espacialmente na bacia, no período compreendido entre 15/01 e 10/08/2013. Neste período o teor de água no solo (umidade gravimétrica) variou entre 13,73 e 33,75%. Os resultados demonstram que é possível estimar o teor de água no solo, com distribuição espacial e temporal, com boa eficiência (NSverificação = 0,77), empregando dados topográficos da bacia, propriedades físicas do solo e dados de chuva. As informações climáticas, por outro lado, não afetam significativamente essa estimativa (NSv=0,28), podendo até diminuir a eficiência do modelo (NSv=0,77 para NSv=0,68). O emprego de muitas variáveis não gera necessariamente o melhor desempenho do modelo, pois uma variável pode mascarar a outra e, até mesmo, interferir a eficiência do modelo (NSv=0,70 e NS=0,61 para os modelos onde foram utilizadas 38 variáveis de entrada), além de aumentar o custo e o tempo para aquisição dessas variáveis, e a dificuldade de interpretação dos resultados em relação às várias entradas. Alternativamente, pode-se estimar o teor de água no solo utilizando modelos mais simplificados que empregam dados de chuva monitorados e informações extraídas de mapas (topografia e tipo de solo), mas o desempenho desses modelos é menor (NSv 0,66). A análise de importância das variáveis de entrada delimitou a tensão da água no solo e a chuva como as variáveis mais influentes nos modelos de melhor desempenho, e a densidade do solo como a menos importante. Nos modelos mais simples, a variável menos relevante é a declividade e a mais importante é a chuva. A análise de sensibilidade demonstrou que nem sempre os modelos conseguem reproduzir o que deveria ocorrer no ambiente natural. / The water content in the soil is one of the determining factors in the transfer processes between the soil and the atmosphere, contributing to the balances of water and energy. This content is influenced by inputs to the basin, climate characteristics, topography, land cover characteristics, agricultural practices, and soil properties. These wide heterogeneity factors make the soil water content characterization still a challenge. This research aimed to develop an Artificial Neural Network (ANN) model to determine the spatial and temporal variation of the water content in the soil, using climate data, physical properties of soil, and topographic variables, of a basin with an area of approximately 78 km2, located in Brazil`s southern region (Taboão basin). The model adopted is a double layer feedforward neural network with 25 neurons in the hidden layer. The learning method is the back propagation algorithm, with 16 interactions to avoid local minima, and the maximum number of cycles chosen was 30,000. A total of 40 input variables were tested, including four of topography (altitude, slope, distance from the point to the nearest stretch of river and unevenness of the point closest to the stretch of the river), eight of soil related variables (soil type, soil density, soil penetration resistance for layers from 0 to 20 cm and from 20 to 40 cm, soil water tension at a single point in the basin and percentage of clay, silt and sand), 10 climate-related variables (climate, evapotranspiration reference, maximum and minimum air temperature, maximum and minimum air relative humidity, atmospheric pressure, global solar radiation, wind speed and temperature on grass) and 18 variables related to rain (accumulated precipitation in 1, 2, 3, 4, 5, 6 e 12h; accumulated precipitation in 2, 3, 5, 10, 15, 20, 25 and 30 days; weighted hourly accumulated precipitation; weighted daily accumulated precipitation). The outputs of the models were compared with values determined by gravimetric moisture samples collected from 26 points spatially distributed in the basin, in the period between 15/01 and 10/08/2013. During this period the soil water content (gravimetric water content) ranged from 13.73 to 33.75%. The results show that it is possible to estimate the water content of the soil, temporal and spatial distribution, with good efficiency (NSverication = 0.77), using topographic data from the basin, soil physical properties and precipitation data. The weather information, on the other hand, did not significantly affect the estimate (NSv = 0.28) and may even decrease the efficiency (NSv) of the model (from 0.77 to 0.68). The use of many variables not necessarily generates the best performance of the model as a variable may mask another and even disrupt the efficiency of the model (NSv = 0.70 and NSv = 0.61, where 38 input variables were used), besides increasing the cost and the time to acquire these variables, and the difficulty of interpreting the results in relation to the various inputs. Alternatively, one can estimate the water content in soil using more simplified models, employing monitored rainfall data and information extracted from maps (topography and soil type), but the performance of these models is smaller (NSv 0.66). The analysis of the importance of input variables delimited the soil water tension and the rain as the most influential variables in the best models, and the density of the soil as the least important. In the simplest models, the less relevant variable is the slope and the most important is the rain. The sensitivity analysis showed that the models cannot always play what should occur in the natural environment.