USO DE COVARIÁVEIS AMBIENTAIS PARA A PREDIÇÃO ESPACIAL DO CONTEÚDO DE CARBONO ORGÂNICO DO SOLO
O carbono orgânico do solo
(COS) é uma importante propriedade do
solo, desempenhando uma série de funções
ambientais e sendo um dos principais
indicadores da qualidade do solo. Além disso, o
solo é o maior reservatório de carbono orgânico
do planeta terra, atuando como fonte ou dreno
de CO2 da atmosfera dependendo do manejo.
Desse modo, conhecer a distribuição de COS
na paisagem é fundamental. Isso pode ser feito
por técnicas de Mapeamento Digital de Solos
(MDS), que utilizam dados e sensoriamento
remoto com baixo custo aliados a métodos
estatísticos multivariados, facilitando o processo
de obtenção de informações sobre os solos.
Este trabalho teve como objetivos: i) construir
um modelo de predição para o conteúdo de COS
em escala de propriedade rural; ii) identificar
as covariáveis que mais explicam a variação
do COS na paisagem. Foram coletados 261
pontos nas profundidades de 0 - 5, 5 - 15 e 15 -
30 cm em uma propriedade agrícola. A predição
espacial foi realizada pelo método multivariado
Boosted Regression Trees (BRT) utilizando
24 covariáveis ambientais representando a
topografia e a cobertura do solo. Os resultados
alcançados foram satisfatórios com R2
de 0,57
(0 - 5 cm), 0,56 (5 - 15 cm) e 0,50 (15 - 30
cm). As covariáveis mais importantes para a
predição foram elevação, uso da terra, banda
5 do Landsat 8 e declividade. O método BRT
apresentou acurácia satisfatória para predição
do COS, explicando mais de 50% da variação
do COS na paisagem.
USO DE COVARIÁVEIS AMBIENTAIS PARA A PREDIÇÃO ESPACIAL DO CONTEÚDO DE CARBONO ORGÂNICO DO SOLO
-
DOI: 10.22533/at.ed.85519140313
-
Palavras-chave: Modelagem espacial; Pedometria; Pedologia quantitativa
-
Keywords: Spatial modelling; Pedometrics; Quantitative pedology.
-
Abstract:
Soil organic carbon (SOC) is an
important soil property responsible for a number
of environmental functions, serving as one of the
main indicators of soil health. Besides, soils are
the largest reservoir of organic carbon on Earth,
acting as a source or sink of CO2 to the atmosphere according to its management.
Therefore, it is fundamental to know the distribution of SOC in the environment. This
can be achieved through Digital Soil Mapping (DSM) techniques, which use low-cost
remote sensing data combined with multivariate statistical methods, facilitating the
process of obtaining information about soils. The objectives of this study were: i) build a
model for prediction of SOC content at farm scale; ii) identify the covariates that better
explain SOC variation in the environment. Samples were collected at 261 locations
at depths of 0-5, 5-15 and 15-30 cm at a farm. Spatial prediction was performed by
the multivariate method of Boosted Regression Trees (BRT) using 24 environmental
covariates representing topography and land cover. Satisfactory results were achieved,
with R2 of 0.57 (0-5 cm), 0.56 (5-15 cm) and 0.50 (15-30 cm). The most important
covariates for the prediction were elevation, land use, band 5 of Landsat 8, and slope.
The BRT method had reasonable accuracy for SOC prediction, explaining more than
50 % of SOC variation in the environment.
-
Número de páginas: 15
- Ricardo Simão Diniz Dalmolin
- Jean Michel Moura-Bueno
- Taciara Zborowski Horst
- João Pedro Moro Flores
- Diego José Gris
- Nicolas Augusto Rosin
