Predição de atributos pedogeoquímicos do solo por interpoladores em áreas livres de gelo da Antártica

Autores

DOI:

https://doi.org/10.33448/rsd-v11i4.27542

Palavras-chave:

Covariáveis preditivas; Interpolação; Mapeamento digital.

Resumo

Este trabalho tem como objetivo principal predizer atributos do solo em áreas não amostradas utilizando modelos geoestatísticos, através da melhora nos parâmetros de predição dos dados selecionados, utilizando covariáveis ambientais características de áreas de gelo da Antártica. Neste estudo, 58 amostras de solo de uma grade foram coletadas a 0-10 cm de profundidade na Península Keller, Ilha Rei George, Antártica. Foi realizada a análise química do solo e determinados os valores de potássio, cálcio e magnésio para cada solo amostrado. A krigagem simples (SK) e o interpolador Random Forest foram utilizados neste trabalho para predizer os valores dos atributos do solo estudados em áreas não amostradas. Usamos um Terrestrial Laser Scanner (TLS) para gerar uma nuvem de pontos, para obter modelos digitais de elevação (DEMs) de tamanho de célula de 1, 5, 10, 20 e 30 metros. O uso de covariáveis não melhorou os parâmetros de predição de bases do solo na área estudada. Os mapas finais não apresentaram grandes diferenças com base em RMSEs, principalmente relacionadas à grande variabilidade espacial dos atributos do solo nesta região, apesar dos mapas temáticos de solo evidenciarem diferença visual. O uso de mapas com melhor resolução obtidos de TLS não melhora a previsão usando Random Forest para Ca2+. Os interpoladores de previsão de solo podem ser aplicados para determinar os atributos do solo em áreas não amostradas, mas áreas com alta complexidade precisam de uma grade de amostragem mais densa para melhorar o desempenho da previsão.

Referências

Breiman, L., Breiman, L. (2001). Statistical Modeling: The Two Cultures. Statistical Science, 16(3): 199–215.

Brenning, A. (2008). Statistical geocomputing combining R and SAGA: The example of landslide susceptibility analysis with generalized additive models. In: SAGA--Seconds Out (Hamburger Beiträge zur Physischen Geographie und Landschaftsökologie, 19: 23–32.

Carneiro, A. P. B., Polito, M. J., Sander, M. W Z. (2010). Trivelpiece. Abundance and spatial distribution of sympatrically breeding Catharacta spp. (skuas) in Admiralty Bay, King George Island, Antarctica. Polar Biology, 33(5): 673–682.

Embrapa. (2011). Manual de métodos de análise de solo, 3rd ed. EMBRAPA/CNPS, Rio de Janeiro (212 pp).

Ferreira, Í. O., Santos, G. R. DOS, Rodrigues, D. D. (2013). Estudo sobre a utilização adequada da krigagem na representação computacional de superfícies batimétricas. Revista Brasileira de Cartografia, 65(5): 831–842.

Francelino, M. R., Schaefer, C. E. G. R., Simas, F. N. B., Filho, E. I. F., Souza, J. J. L. L., Costa, L. M., (2011). Geomorphology and soils distribution under paraglacial conditions in an ice-free area ofAdmiralty Bay, King George Island, Antarctica. Catena 85: 194–204.

Hijmans, R. J. (2015). Geographic Data Analysis and Modeling. R package version 2.4-20. http://CRAN.R-project.org/package=raster.

INPE, 2015. Instituto Nacional de Pesquisas Espaciais-CPTEC. http://antartica.cptec.inpe. br/~antar/weatherdata.shtml.

Kirkwood, C., Cave, M., Beamish, D., Grebby, S., & Ferreira, A. (2016). A machine learning approach to geochemical mapping. Journal of Geochemical Exploration, 167.

Thomazini, A., Teixeira, D. B., Turbay, C. V. G., La Scala Jr, N., Schaefer, C. E. G. R., Mendonça, E. S., (2014). Spatial variability of CO2 emissions from newly exposed paraglacial soils at a glacier retreat zone on King George Island, Maritime Antarctica. Permafr. Periglac. Process. 25: 233–242.

R Core Team. R. (2015). A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL https://www.R-project.org/, consulted novenber 2015.

Mendonça, E. S., La Scala, N., Panosso, A. R., Simas, F. N. B., Schaefer, C. E. G. R., (2010). Spatial variability models of CO2 emissions from soils colonized by grass (Deschampsia antarctica) and moss (Sanionia uncinata) in Admiralty Bay, King George Island. Antarctic Science. 23: 27–33.

Simas, F. N. B., Schaefer, C. E. G. R., Albuquerque Filho, M. R., Francelino, M. R., Fernandes Filho, E. I., & Costa, L. M. (2006). Genesis, properties and classification of Cryosols from Admiralty Bay, Maritime Antarctica. Geoderma 144: 116–122.

Schünemann, A. L., Almeida, P. H. A., Thomazini, A, Fernandes Filho, E I., Francelino, M, R., Schaefer, C. E. G. R., & Pereira, A B. (2018). High-resolution topography for Digital Terrain Model (DTM) in Keller Peninsula, Maritime Antarctica. Anais da Academia Brasileira de Ciências, 90(2, Suppl. 1), 2001-2010.

Vaysse, K., Lagacherie, P., (2015). Evaluating digital soil mapping approaches for mapping GlobalSoilMap soil properties from legacy data in Languedoc-Roussillon (France). Geoderma Reg. 4: 20–30.

Vieira, S. R. (2000) Geoestatística em estudos de variabilidade espacial do solo. In: Novais, R.F., Alvarez V., V.H., Schaefer, G.R., eds. Tópicos em ciência do solo. Viçosa, Sociedade Brasileira de Ciência do Solo, 1, 1-54.

Wasklewicz,. T., STaley D M., Reavis K., & Oguchi T. (2013). 3.6 Digital Terrain Modeling. In: Treatise on Geomorphology, p. 130-216.Webster, R., Oliver, M.A., (1990). Statistical Methods in Soil and Land Resource Survey. Oxford University Press, Oxford, p. 316.

Willmott, C. J, & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim. Res. 30:79–82.

Downloads

Publicado

25/03/2022

Como Citar

SCHÜNEMANN, A. L. .; THOMAZINI, A. .; ALMEIDA, P. H. A. .; FRANCELINO, M. R. .; FERNANDES FILHO, E. I. .; SANTOS, G. R. dos .; PAULA, M. D. de .; SCHAEFER, C. E. G. R. .; PEREIRA, A. B. Predição de atributos pedogeoquímicos do solo por interpoladores em áreas livres de gelo da Antártica. Research, Society and Development, [S. l.], v. 11, n. 4, p. e51411427542, 2022. DOI: 10.33448/rsd-v11i4.27542. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/27542. Acesso em: 30 jun. 2024.

Edição

v. 11 n. 4

Seção

Ciências Agrárias e Biológicas

Licença

Copyright (c) 2022 Adriano Luis Schünemann; André Thomazini; Pedro Henrique Araújo Almeida; Márcio Rocha Francelino; Elpídio Inácio Fernandes Filho; Gérson Rodrigues dos Santos; Mayara Daher de Paula; Carlos Ernesto Gonçalves Reynaud Schaefer; Antonio Batista Pereira

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos:

1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.