Soil available water capacity (AWC) is a key function for human survival and well-being. However, its direct measurement is laborious and its spatial interpretation is complex. These difficulties have led to the use of indirect ways to estimate the AWC. Among them, digital soil mapping (DSM) techniques have emerged as an alternative to spatial modeling of soil properties. DSM techniques usually apply machine learning (ML) models, with a high level of complexity. In this context, we aimed to identify spatial patterns estimated by the Random Forest (RF) algorithm to predict AWC, and in a case study, to show that digital AWC maps can support agricultural planning in response to local climate change effects. To do this, a data-driven approach was applied using laboratory-determined soil attributes (clay, sand, and organic matter content), along with a pedotransfer function (PTF), remote sensing, DSM techniques, and meteorological data. The digital map of available soil water and weather station data were used to calculate climatological soil water balance for the periods 1917-1946 and 1991-2020. The selection of covariates contributed to the parsimony of the model, obtaining quality of fit metrics of R² 0.72, RMSE 16.72 mm m^-1, CCC 0.83, and Bias of 0.53 on the validation set. The largest contributions to soil AWC prediction were multitemporal Landsat imagery with bare soil pixels, diurnal mean, and annual temperature variation. The present case study shows that climate change at the study site has modified the rainfall regime, increasing the amount of water retained in the soil during the dry period (from April to August). The methodology used provides parameters for the adaptation of agricultural systems to the effects of climate change.

A capacidade de água disponível no solo (CAD) é uma função chave para a sobrevivência e o bem-estar humano. Entretanto, sua medição direta é trabalhosa e sua interpretação espacial é complexa. Estas dificuldades têm levado ao uso de formas indiretas de estimar a CAD. Entre elas, as técnicas de mapeamento digital do solo (MDS) surgem como uma alternativa à modelagem espacial das propriedades do solo. As técnicas de DSM geralmente aplicam modelos de aprendizagem de máquinas (AM), com alto nível de complexidade. Neste contexto, visamos identificar os padrões espaciais estimados pelo algoritmo Random Forest (RF) para prever CAD, e em um estudo de caso, mostrar que os mapas AWC digitais podem apoiar o planejamento agrícola em resposta aos efeitos locais da mudança climática. Para isso, foi aplicada uma abordagem baseada em dados usando atributos de solo determinados em laboratório (argila, areia e conteúdo de matéria orgânica), juntamente com uma função de pedotransferência (PTF), sensoriamento remoto, técnicas DSM e dados meteorológicos. O mapa digital da água disponível no solo e os dados da estação meteorológica foram usados para calcular o balanço hídrico climatológico do solo para os períodos entre 1917-1946 e 1991-2020. A seleção de covariáveis contribuiu para a parcimônia do modelo, obtendo-se métricas de qualidade de ajuste de R² 0,72, RMSE 16,72 mm m^-1, CCC 0,83, e Bias de 0,53 sobre o conjunto de validação. As maiores contribuições para a previsão da CAD do solo foram imagens multitemporais Landsat com pixels de solo descoberto, média diurna e variação anual de temperatura. O presente estudo de caso mostra que as mudanças climáticas no local do estudo modificaram o regime pluviométrico, aumentando a quantidade de água retida no solo durante o período seco (de abril a agosto). A metodologia utilizada fornece parâmetros para a adaptação dos sistemas agrícolas aos efeitos da mudança climática.