Boletim de Pesquisa e Desenvolvimento 120 - Ageitec · 1. Carbono. 2. Mapa. 3. Pedologia. 4. Rio de ... Para a predição e o mapeamento digital do estoque de carbono para a escala

Boletim de Pesquisae Desenvolvimento 120

Rio de Janeiro, RJ2007

ISSN 1678-0892

Dezembro, 2007

Modelagem e MapeamentoDigital de Estoque de CarbonoOrgânico na Camada Superficialdos Solos (0-10 cm) do Estadodo Rio de Janeiro

Empresa Brasileira de Pesquisa AgropecuáriaCentro Nacional de Pequisa de SolosMinistério da Agricultura, Pecuária e Abastecimento

Maria de Lourdes Mendonça-SantosHumberto Gonçalves dos SantosRicardo de Oliveira DartJerônimo Guedes Pares

Exemplares desta publicação podem ser adquiridos na:

Embrapa SolosRua Jardim Botânico, 1.024 Jardim Botânico. Rio de Janeiro, RJFone: (21) 2179-4500Fax: (21) 2274.5291Home page: www.cnps.embrapa.brE-mail (sac): [email protected]

Comitê Local de Publicações

Presidente: Aluísio Granato de AndradeSecretário-Executivo: Antônio Ramalho FilhoMembros: Marcelo Machado de Moraes, Jacqueline S. Rezende Mattos,

Marie Elisabeth C. Claessen, José Coelho de A. Filho, Paulo EmílioF. da Motta, Vinícius de Melo Benites, Rachel Bardy Prado, Mariade Lourdes Mendonça S. Brefin, Pedro Luiz de Freitas.

Supervisor editorial: Jacqueline Silva Rezende MattosRevisor de Português: André Luiz da Silva LopesNormalização bibliográfica: Marcelo Machado MoraesEditoração eletrônica: Pedro Coelho Mendes Jardim

1a edição1a impressão (2007): online

Todos os direitos reservados.A reprodução não-autorizada desta publicação, no todo ou em parte, cons-titui violação dos direitos autorais (Lei no 9.610).

© Embrapa 2007

631.41M539 Mendonça-Santos, Maria de Lourdes.

Modelagem e mapeamento digital de estoque de carbono orgânico nacamada superficial dos solos (0-10 cm) do Estado do Rio de Janeiro /

Maria de Lourdes Mendonça Santos ... [et al.]. – Dados eletrônicos – Riode Janeiro: Embrapa Solos, 2007.

(Boletim de pesquisa e desenvolvimento / Embrapa Solos, ISSN 1678-0892 ; 120)

Sistema requerido: Adobe Acrobat Reader.Modo de acesso: <http://www.cnps.embrapa.br/solosbr/conhecimentos.html>Título da página da Web (acesso em 6 dez. 2007).ISSN 1678-0892

1. Carbono. 2. Mapa. 3. Pedologia. 4. Rio de Janeiro (Estado). 5. Solo.I. Santos, Humberto Gonçalves dos. II. Dart, Ricardo de Oliveira. III. Pares,Jerônimo Guedes. IV. Embrapa. V. Título. V. Série.

Sumário

Resumo ................................................................... 5Abstract .................................................................. 71. Introdução ............................................................ 92. Material e métodos ...............................................11

2.1. Área de Estudo ................................................................ 112.2. Base de Dados Auxiliares e de Solos .................................... 132.3. Modelagem e Predição de Classes de Solos ........................... 15

3. Resultados e Discussão .........................................164. Conclusões ..........................................................205. Agradecimentos ...................................................216. Referências Bibliográficas ......................................21

Modelagem e MapeamentoDigital de Estoque de CarbonoOrgânico na Camada Superficialdos Solos (0-10 cm) do Estadodo Rio de Janeiro

Resumo

Um banco de dados de perfis de solos do Estado de Rio de Janeiro foiestruturado em Microsoft® Access e linguagem Delphi, para atender àsdemandas do projeto de pesquisa intitulado “Modelagem da magnitude edistribuição espacial do carbono orgânico nos solos do Estado do Rio deJaneiro, usando técnicas quantitativas, SIG e Base de Dados”, financiadopela Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio deJaneiro (FAPERJ). As principais atividades desenvolvidas foram a busca,seleção, análise e revisão dos dados para cada perfil de solo descrito na áreade estudo, o georeferenciamento de cada perfil de solo (quando as coordena-das não estavam disponíveis) e a entrada de novos perfis descritos durante oprojeto, na interface desenvolvida. Atualmente, a base de dados de solos doEstado do Rio de Janeiro contém 731 perfis de solos, 2.744 horizontes e 48atributos (propriedades de solos), normalmente descritos no levantamento desolos. Entretanto, a base contém dados limitados para densidade do solo epropriedades hídricas, entre outros. Usando os dados dessa base, foramgeradas experimentalmente, as equações de Pedotransferência (PTFs) para

Maria de Lourdes Mendonça-Santos1

Humberto Gonçalves dos Santos1

Ricardo de Oliveira Dart2

Jerônimo Guedes Pares2

1 Pesquisador da Embrapa Solos. Rua Jardim Botânico 1024, Jardim Botânico, Rio de Janeiro, RJ. CEP:22460-000. E-mail: [email protected], [email protected].

2 Bolsista da Embrapa Solos, Rua Jardim Botânico 1024, Jardim Botânico, Rio de Janeiro, RJ.

estimar a densidade dos solos do estado, bem como os modelos quantitativos(numéricos) e o mapeamento digital do estoque de carbono orgânico dossolos, na profundidade de 0 a 10 cm, na resolução espacial de 90 m. Utilizou-se para essa modelagem o modelo preditivo solo-paisagem proposto porMcBratney et al. (2003), denominado s.c.o.r.p.a.n., onde solo = f (solo,clima, organismo, relevo, material de origem, idade e posição espacial). Essasvariáveis ambientais correlatas foram utilizadas como preditoras e dados deimagens de satélite, mapa de litologia, mapa de solos, MDE (Modelo Digital doTerreno) e suas derivadas, como fonte de informação de tais variáveis. Estabase de dados, que representa um dos conjuntos mais organizados de dadosde solos no Brasil, está funcionando como um ensaio para aprendizagem deDSM (“Digital Soil Mapping”), usando uma variedade de métodos para predi-zer classes e propriedades de solos. O “f” da equação foi modelado por análisemultilinear, com ou sem a adição de análise do tipo “stepwise” para escolhadas variáveis a serem utilizadas como preditoras nos modelos. Sete diferen-tes modelos foram construídos e comparados através de métodos estatísti-cos. O resultado obtido através do melhor modelo encontrado foi entãomapeado na resolução espacial de 90 m.

Termos de indexação: Mapeamento Digital de Solos, Estoque de CarbonoOrgânico, Pedometria.

Modelling and Digital SoilMapping of the OrganicCarbon Stock in the topsoil(0-10 cm) of Rio de JaneiroState, Brazil

Abstract

A soil database for Rio de Janeiro State was accomplished in Access, andDelphi language in order to attend demands of the research project entitled“Quantifying the magnitude, spatial distribution and organic carbon in soils ofRio de Janeiro State, using quantitative modeling, GIS and databasetechnologies” (Projeto Carbono_RJ, funded by FAPERJ - Carlos Chagas FilhoFoundation for Research Support in Rio de Janeiro State). The main activitieswere the search, selection, analysis and review of the data for each soilprofile already described in the study area, the georeferencing of each soilprofile (when the coordinates were not available) and the data input of newsoil profiles into the new dataset interface, according to the projectdemands. Nowadays, the Rio de Janeiro soil dataset contains 731 soilprofiles, 2744 soil horizons, and 48 soil attributes usually described at the soilsurvey process. However, the dataset contains limited data for bulk densityand hydraulic soil properties, among others. From this dataset, weregenerated pedotransfer functions (PTFs) to estimate bulk density of soils inthe State as well as quantitative modeling and digital carbon stocks at thedepth 0 to 10cm and mapping produced experimentally at 90m. For modelingwas where Soil = f (soil, climate, organisms, relief, parent material, age andgeoreferencing). These environmental correlate were used variables aspredictors and satellite data, lithology and soil maps, DEM (Digital Elevation

Model) and its derivatives as source of information for these variables. Thisdataset, that represents the best organized soil dataset in Brazil, is workingas a trial for learning/teaching of Digital Soil Mapping (DSM) using a variety ofmethods for predicting soil classes and their properties. The “f” of theequation was modeled by means of multilinaer analysis, with or without the“stepwise” type of analysis for selection of variables to be used as predictorsin the models. Seven different models were built and compared throughstatistical methods. The best result obtained through the best model foundwas then used for mapping at spatial resolution of 90 m.

Index words: Digital Soil Mappings, Carbon Stock, Pedometrics.

1. Introdução

A estimativa do estoque de carbono orgânico dos solos é um tópico importan-te tendo em vista as questões de mudanças climáticas e dos últimos resulta-dos do IPCC (Painel Intergovernamental sobre Mudança do Clima) sobre oscenários globais preocupantes (IPCC, 2007).

De acordo com Batjes e Sombroek (1997), os solos do mundo constituem umdos cinco principais reservatórios de carbono, juntamente com os oceanos, acamada geológica, a atmosfera e a biomassa terrestre. Portanto, os solos sãoessenciais para o seqüestro de C e representam aproximadamente 75% doacúmulo de C no ecossistema terrestre. A dinâmica do seqüestro de carbonopor solos, depende de inúmeras variáveis as quais se baseiam em elementostermodinâmicos (natureza e da magnitude dos reservatórios de carbono), nascaracterísticas dos biomas e de suas respostas aos diferentes usos da terra emanejos (BATJES, 1998). O solo funciona assim, como fonte e reservatório(ou sumidouro) de carbono, dependendo das taxas relativas de incorporação edecomposição de carbono pelos organismos do solo. Para que se possaestimar o fluxo líquido de carbono nos ecossistemas terrestres, precisa-se,antes de tudo, de um entendimento dos processos de formação dos solos e davariabilidade espacial de carbono orgânico na paisagem. Essa espacializaçãoé importante para a estimativa de inventário de carbono e também para acompreensão dos processos biofísicos que podem afetar os fluxos de carbonoorgânico nos solos. Além do mais, esses padrões e processos variamconsideravelmente na paisagem, o que limita as extrapolações. Desta forma,estudos regionalizados específicos são importantes para garantir uma escalaapropriada de estudo, assim como as regras para extrapolação dos resultadose detalhamento da dinâmica do carbono nos solos.

Para a predição e o mapeamento digital do estoque de carbono para a escalade paisagem (regional), utilizou-se técnicas quantitativas digitais,denominadas de DSM (Digital Soil Mapping ou Mapeamento Digital de Solos).Mapeamento Digital de Solos foi definido por Lagacherie e McBratney (2006)como “a criação e a população de sistemas de informação espacial de solospor meio de modelos numéricos para inferir as variações espaciais e

10Modelagem e Mapeamento Digital de Estoque de Carbono Orgânico na camada superficial dos Solos(0-10 cm) do Estado do Rio de Janeiro

temporais de classes de solos e suas propriedades, a partir de observações,conhecimento e de dados de variáveis ambientais relacionados”. A principalaplicação desta abordagem é a predição através de equações matemáticas,de classes e propriedades de solos e o mapeamento digital dos resultados deforma contínua e espacial, na resolução espacial escolhida, criando apossibilidade de organizar um amplo conjunto de dados para análise einterpretações em qualquer época, não sendo o mapa o único produto.

A predição de classes e propriedades de solos no mapeamento digitalfundamenta-se nas relações existentes entre solos e os fatores e processosde formação dos solos, que entram nas equações como variáveis preditoras.A lógica deste raciocínio tem por base a equação de Jenny (1941) formuladaa partir do reconhecimento dos fatores de formação dos solos, emformulação mais quantitativa,

)......( naprocsfSc = ou )......( naprocsfSa =

),,,,( tproclfS =

Onde, S representa o solo, cl = clima, o = organismos inclusive atividadesantrópicas, r = relevo, p = material originário e t = tempo.

McBratney et al. (2003) generalizaram e formularam uma equação semelhan-te, com o objetivo de explicar as variáveis responsáveis pelos processos deformação dos solos, mas para uma descrição quantitativa empírica das rela-ções entre e outros fatores espaciais referenciados (ou co-variáveisambientais), que são usados aqui como funções espaciais de predição. Setefatores são considerados: s = solo, outras propriedades do solo em um deter-minado ponto; c= clima, propriedades climáticas do ambiente em determinadoponto; o = organismos, vegetação ou fauna ou atividades antrópicas; r =topografia, atributos da paisagem; p = material originário, litologia; a = idade,fator de tempo; n = espaço, localização espacial.

O solo pode ser considerado como um fator porque pode ser predito a partirde suas propriedades, ou propriedades do solo a partir de classes ou de outraspropriedades. O modelo s.c.o.r.p.a.n. pode ser reformulado conforme aseguir:

11Modelagem e Mapeamento Digital de Estoque de Carbono Orgânico na camada superficial dos Solos

(0-10 cm) do Estado do Rio de Janeiro

Onde Sc é classe de solos e Sa atributos de solo. O s refere-se a informaçãode solos proveniente de um mapa existente, de sensores remotos ou atravésdo conhecimento de especialista. Aí implícito estão as coordenadas espaciaisx, y e uma coordenada aproximada de tempo, ft. Esta coordenada de tempopode ser expressa como “cerca de um tempo t”. Cada fator serárepresentado por um conjunto de uma ou mais variáveis contínuas oucategóricas, por exemplo, r por elevação, declividade ou outro atributoderivado do MDE.

As fontes de dados, os métodos para estimar f, assim como os passos paraexecutar o scorpan são apresentados e discutidos em McBratney et al. (2003).

Esta base de dados, que representa uma das mais organizadas do Brasil, estáfuncionando como um ensaio para ensino/aprendizagem de DSM, usando umavariedade de métodos baseado no modelo scorpan (MCBRATNEY et al.2003) para predizer classes e propriedades de solos.

Neste trabalho, os procedimentos de mapeamento digital foram utilizadospara predizer o estoque de carbono orgânico para a camada superficial dosolo (0-10 cm) no Estado do Rio de Janeiro. Para isso, utilizou-se análisemultilinear como modelo preditivo e as variáveis ambientais como preditoras.Sete diferentes modelos foram construídos e comparados estatisticamente.O melhor modelo foi aplicado para o mapeamento digital do estoque decarbono orgânico dos solos.

2. Material e Métodos

2.1. Área de EstudoA área de estudo é o Estado do Rio de Janeiro, localizado entre ascoordenadas geográficas 41o e 45oW e 20°30´ e 23°30´S com cerca de44.000 km2 (Figura 1). Compreende 89 folhas topográficas do IBGE naescala 1:50.000. Oito grandes tipos de paisagem são identificados no Estado:Planície Costeira, Norte-Noroeste Fluminense, Vale do Médio Rio Paraíba doSul, Região Serrana, Planalto do Alto Itabapoana, Serra dos Órgãos, Serra daBocaina e Serra da Mantiqueira (LUMBRERAS et al. 2003), constituindo-segeoambientes onde foram estudados perfis de solos específicos para acaracterização da matéria orgânica do solo.


Fig. 1. Localização da área de estudo (Estado do Rio de Janeiro) e distribuição espacial dos perfis de solosdo Banco de Dados do Projeto Carbono.



2.2. Base de Dados Auxiliares e de SolosNo âmbito deste trabalho um novo banco de dados de solos foi construído emMicrosoft® Access e linguagem Delphi, para facilitar a recuperação, aseleção, a análise e a revisão dos dados de cada perfil de solos descrito naárea de estudo, como também o georreferenciamento de cada perfil (quandoas coordenadas não estavam disponíveis) e a adição de dados novos e outrasmedidas descritas de acordo com as novas demandas de projeto.

A partir da base original (731 perfis de solo), somente 431 puderam ser usadosnesta aplicação, haja vista que os outros apresentavam problemas deposicionamento X,Y, os quais são no momento, objeto de verificação e correção.Os perfis existentes são desigualmente distribuídos pela área de estudo,principalmente na parte sul do Estado. Atributos de solos (dados morfológicos equímicos), informações de vegetação e do terreno registradas por diferentespesquisadores que executaram pesquisa de solos na área ao longo do tempoforam sintetizados e atualizados por Carvalho Filho et al. (2007). Foram descritose coletados perfis adicionais de referência para validar dados de perfis antigosdurante a execução do Projeto Carbono_RJ (MENDONÇA-SANTOS et al. 2005)que foram inseridos no banco de dados. O Sistema Brasileiro de Classificação deSolos - SiBCS (EMBRAPA SOLOS, 2006) foi usado para classificar e atualizar osperfis de solos em nível de Ordem. Informação detalhada sobre a coleta,procedimentos e métodos de análises físico-químicas são fornecidas em Métodosde Análises de Solos (EMBRAPA, 1997). De uma maneira geral existem poucosdados sobre a densidade dos solos e outras propriedades físicas, como a retençãode água dos solos.

Considerando que a densidade do solo é um dado essencial para a estimativado estoque de carbono orgânico, o primeiro passo foi construir funções depedotransferência (PTFs) para os solos minerais e de baixada, por setratarem de solos muito diferentes.

Nesta aplicação as seguintes covariáveis ambientais foram usadas comovariáveis preditoras para construir os modelos: Mosaico GeocoverTM(bandas 7, 4 e 2 em RGB), obtido gratuitamente na página web da NASA,(NASA, 2007); o NDVI desse mosaico (usando banda 2 em vez de 3); Mapa


de Uso e Cobertura do Solos (LULC) do Estado de Rio de Janeiro, elaboradopor Mendonça-Santos et al. (2003); Mapa de classes litológicas (RIO DEJANEIRO, 2001) e MDE srtm 90 m obtido na página web do cgiar http://srtm.csi.cgiar.org/ (JARVIS et al. 2006).

Dado que o srtm MDE 90 m não apresentava nenhum dado nas zonas maisbaixas como mostrado na Figura 2, foi necessária a interpolação dos dadosexistentes para preencher essas lacunas, através de krigagem, usando osoftware Vesper (MINASNY et al. 2007). O novo MDE 90 m foi então usadocomo entrada no software LandMapR (MCMILLAN, 2003), para a obtenção dederivadas do terreno a serem utilizadas como variáveis preditoras nos modelos.

Fig. 2. Mapa com valores negativos (em vermelho) e áreas onde foram realizadas a krigagem (retângulosem azul).



A base de dados de solos foi complementada com as covariáveis de fatoresambientais extraídos no Erdas Imagine (LEICA GEOSYSTEMS, 2003), paracada ponto onde existem os dados de solos. Uma base de dados auxiliar querepresenta toda a área de estudo foi elaborada em uma malha de 90 m,extraída do MDE e foi povoado com dados das variáveis ambientais. Foiexecutada uma análise estatística exploratória dos dados usando o softwareJMP (SALL et al. 2007).

2.3.Modelagem e Predição do Estoque de CarbonoOrgânicoO estoque de carbono orgânico foi calculado nos solos, em massa por unidadede volume, através da equação:

10pdC

EstoqC××

= , onde:

C é o teor de carbono (g/kg), d é a densidade (g/cm3) e p é a profundidade (cm).

Foram elaborados sete modelos de análise multilinear. Os modelos foramdiferenciados pelo número de variáveis preditoras utilizadas, a utilização ounão de stepwise e número de observações (perfis) usadas no ajuste de cadamodelo. A performance dos modelos foi estimada estatisticamenteutilizando-se, além do RMSE (estimativa do desvio padrão do erro residual), oAIC (Akaike’s Information Criterion), que é um índice que considera o númerode parâmetros utilizados no modelo e representa um compromisso entre oajuste e a parcimônia do modelo. O modelo que apresentar o menor AIC seráo melhor. O AIC é calculado de acordo com (AKAIKE, 1973):

mlikeAIC 2log2 +−=

Onde loglike é o logarítmo da predição, e m é o número de parâmetrosutilizados no modelo.

Para variáveis contínuas como é o caso do estoque de carbono nos solos,temos que:

( )2

1

ˆAIC ln 2N

i ii

N y y m=

= − + ∑


Onde N é o número total de perfis de solos que foram usados no modelo.

O modelo que apresentou menor valor de AIC foi utilizada para a prediçãofinal e mapeamento do estoque de carbono orgânico (0-10 cm) do solo,adicionando–se aos valores preditos, os resíduos krigados do ajuste domodelo (método regressão-krigagem).

3. Resultados e Discussão

As PTFs desenvolvidas, juntamente com as variáveis preditoras, sãomostradas na Tabela 1. Dada a diferença marcante entre os teores decarbono e granulometria dos solos de ambientes de baixada e dos outros (aquidenominados de mineral), foi necessário construir 2 PTFs, separadamente.Essas PTFs foram aplicadas para a estimativa da densidade do solo eposteriormente, para o cálculo do estoque de carbono orgânico.

Tabela 1. Funções de Pedotransferência (PTFs) para a densidade dos solos,estimadas a partir das variáveis teor de carbono orgânico (%) e fraçõesgranulométricas do solo (areias, silte e argila - %).

Camadas Preditores NP R2 N Média Desvio padrão

Max Min PTF_densidade

0-10 Baixada TeorC, Areia Fina, Areia Grossa, Silte, Argila

5 0.94671 131 1.09851 0.2023249 1.5373 0.6569

0 + -0.00620188898666584 * ("teorC_0-10") + 0.00168408543309972 * ("Areia grossa 0-10") + 0.00112348306614799 * ("Areia fina 0-10") + 0.00155733827838204 * ("Silte 0-10") + 0.00105136516518877 * ("Argila t_f 0-10")

0-10 Mineral TeorC, Areia Fina, Areia Grossa, Silte, Argila

5 0.3712 594 1.32962 0.1124466 1.71 0.7759

0 + -0.0104432003873496 * ("teorC_0-10") + 0.00148435216740785 * ("Areia grossa 0-10") + 0.00155020523466563 * ("Areia fina 0-10") + 0.00165886998238256 * ("Silte 0-10") + 0.00133985448863544 * ("Argila t_f 0-10")

A modelagem solo-paisagem s.c.o.r.p.a.n. foi então realizada, utilizando-se asinformações de solo e paisagem. Na Tabela 2 são detalhados os modelosconstruídos. No modelo M1 foram utilizadas apenas as variáveis de relevoextraídas no conjunto de programas do LandMapR. No modelo M2 tambémforam utilizadas as derivadas de relevo, sendo que neste fez-se uso dostepwise (para observar quais variáveis tem maior correlação com o estoquede carbono). Nos modelos M3 e M4 foram utilizados as variáveis de relevo eGeocover (Landsat 7 ETM+ com as bandas 7-4-2, o NDVI), e no modelo M4foi testado o stepwise. O stepwise no modelo M4 não permitiu a entrada doNDVI na modelagem. A variável NDVI fez com que dois perfis não entrassem



no modelo (nestes dois perfis a reflectância nas bandas 4 e 2 eram 0). Nomodelo M5, além das variáveis de terreno e do Geocover, foi utilizado o mapade litologia. No modelo M6, além das variáveis do modelo M5, foi utilizadotambém o mapa de solos. No último modelo M7, além das variáveis domodelo M5, foi utilizado também o mapa de uso da terra.

Tabela 2. Modelos preditivos s.c.o.r.p.a.n. construídos para estimar o esto-que de carbono dos solos nos primeiros 10 cm.

Modelos Variáveis Preditores para o modelo SCORPAN Stepwise Perfis

M1 R (ELEV, ASPECT, PLAN, PROF, QWETI, SLOPE) _____________ 429

M2 R (ELEV, ASPECT, PLAN, PROF, QWETI, SLOPE) ELEV, ASPECT, PLAN,

QWETI, SLOPE 429

M3 O (Landsat ETM+ -B7, B4, B2 e NDVI), R (ELEV, ASPECT, PLAN,

PROF, QWETI, SLOPE) todas 427

M4 O (Landsat ETM+-B7, B4, B2 e NDVI), R (ELEV, ASPECT, PLAN,

PROF, QWETI, SLOPE)

B7, B4, ELEV, ASPECT,

PLAN, QWETI, SLOPE 429

M5 O (Landsat ETM+-B7, B4, B2 e NDVI), R (ELEV, ASPECT, PLAN,

PROF, QWETI, SLOPE), P (Mapa de litologia - em formato vetorial) todas 427

M6

S (Mapa de solos - em formato vetorial), O (Landsat ETM+-B7, B4, B2

e NDVI), R (ELEV, ASPECT, PLAN, PROF, QWETI, SLOPE), P

(Mapa de litologia - em formato vetorial)

todas 427

M7

O (Landsat ETM+-B7, B4, B2, NDVI e mapa de uso da terra), R

(ELEV, ASPECT, PLAN, PROF, QWETI, SLOPE), P (Mapa de

litologia - em formato vetorial)

todas 427

O resultado da predição de estoque de carbono, a performance dos índicesAIC e RMSE (estimativa do desvio padrão do erro residual) e o número deparâmetros (variáveis) utilizadas em cada modelo testado podem serobservados na Tabela 3.

Tabela 3. Comparação da performance dos modelos construídos.Modelos RMSE NP AIC

M1 14,26907 6 2286,603

M2 14,25226 5 2284,604

M3 14,15396 10 2279,976

M4 14,08333 7 2267,386

M5 13,09959 19 2215,548

M6 11,95091 29 2146,578

M7 12,68869 28 2196,807


De maneira geral todos os sete modelos apresentaram uma boa predição parao estoque de carbono. Tendo em vista que a diferença entre os índices dossete modelos não apresentou uma variação muito grande.

O melhor resultado encontrado para modelagem de estoque de carbono foi omodelo 6 (M6), pois este apresentou menores índices AIC e RMSE (Tabela 3).

A Figura 3 ilustra o resultado do melhor modelo (M6). Esse mapa, obtido pormodelagem e mapeamento digital, permite que a propriedade modelada sejaespacializada de forma contínua no grid determinado pela disponibilidade dedados e objetivos do trabalho, facilitando dessa forma observar a variação ea distribuição do estoque de carbono na paisagem.

Observam-se valores distintos para o estoque de carbono orgânico, variandode pouco menos de 3 a 70 Mg de carbono orgânico por hectare, para acamada superficial do solo (0-10 cm). Essa variação tem uma forte correla-ção com o tipo de solo e com sua posição na paisagem.

Essa correlação com a paisagem ficou mais clara quando analisamos aespacialização do estoque de carbono orgânico com relação aosgeoambientes definidos para o Rio de Janeiro (LUMBRERAS et al. 2003)(Figura 4). Nesse mapa é possível observar que a unidade II (Faixa Litorânea)apresenta maiores estoques de carbono orgânico, devido aos ambientes debaixada, tais como os manguezais (entorno da baía de Guanabara, baía deSepetiba, Pedra de Guaratiba entre outras), rios, lagos (Lagoa Feia, Lagoa deMaricá entre outras) e próximos da costa e seus solos correspondentes. Emcontraposição, a unidade IV (Norte-Noroeste Fluminense) apresenta osmenores estoques de carbono orgânico para a profundidade estudada.



Fig. 3. Mapa digital do estoque de carbono orgânico (0-10 cm) do Estado do Rio de Janeiro, RJ. A)resultado da modelagem preditiva solo-paisagem s.c.o.r.p.a.n. (regressão multilinear); em B) krigagem

dos resíduos da modelagem; C) resultado final obtido pela soma dos resíduos krigados aos valores preditospela regressão multilinear (regression kriging).


Fig. 4. Mapa final de estoque de carbono orgânico dos solos do Estado do Rio de Janeiro (0-10 cm) comunidades ambientais do estado do Rio de Janeiro (RIO..., 2001).

4. Conclusões

Através desta aplicação específica de predição do estoque de carbono orgâ-nico nos solos, é demonstrado todo o processo de DSM (Digital Soil Mapping),utilizando os fatores de formação do solo como variáveis preditoras para aconstrução dos modelos. O trabalho serviu para testar a metodologia depredição do estoque de carbono no solo, na profundidade de 0 a 10 cm,testando-se 7 modelos preditivos. Em geral, os sete modelos testados mos-traram-se eficientes, não apresentando grandes variações entre si. No entan-to, o melhor resultado de estoque de carbono foi obtido com aplicação domodelo 6 (M6), apresentando os menores índices AIC e RMSE (Tabela 3),utilizando variáveis preditoras como mapa de solos existente, imagem satéli-te, derivadas do relevo e mapa de litologia.

Foram observadas correlações de valores distintos de estoque de carbono comos diferentes ambientes selecionados no estado do Rio de Janeiro.



A modelagem e o mapeamento digital permitiram a espacialização do esto-que de carbono de forma contínua, facilitando a observação da variação e adistribuição do estoque de carbono na paisagem.

Além disso, a definição de linhas de base de carbono nos solos, é muitoimportante para a definição de políticas públicas de sistemas agrícolassustentáveis e proteção ambiental, funcionando como um cenário dopotencial dos solos em estocar carbono.

5. Agradecimentos

À Fundação Carlos Chagas de Apoio à Pesquisa (FAPERJ) pelo apoiofinanceiro ao Projeto Temático E-26/171.360/2001 (EMBRAPA SEP01.2002.202), intitulado “Modelagem da magnitude e distribuição espacialdo Carbono Orgânico do Estado do Rio de Janeiro, usando técnicas quantita-tivas, SIG e Base de Dados”. E agradecemos e ao Projeto de Pesquisa E-170.023/2001, registrado na EMBRAPA como SEP/12.2002.001, intitulado“Aplicação de técnicas quantitativas digitais para otimizar o mapeamento desolos para fins de planejamento e gestão ambiental”, no escopo do qual estetrabalho foi desenvolvido.

6. Referências Bibliográficas

AKAIKE, H. Information theory and an extension of maximum likelihoodprinciple. In: INTERNATIONAL SYMPOSIUM ON INFORMATION THEORY,2., 1973, Budapest. Budapest: Akadémiai Kiadó, 1973. p. 267–281.PETROV, B. N.; CSAKI, F. (ED.).

BATJES, N. H. Mitigation of atmospheric CO2 concentrations by increasedcarbon sequestration in the soil. Biology and Fertility of Soils, v. 27, n. 3, p.230-235, July 1998.

BATJES, N. H.; SOMBROECK, W. G. Possibilities for carbon sequestration intropical and subtropical soils. Global Change Biology, v. 3, n. 2, p. 161-173,Apr. 1997.


CARVALHO FILHO, A. de; LUMBRERAS, J. F.; WITTERN, K. P.; LEMOS, A.L.; SANTOS, R. D. dos; CALDERANO FILHO, B.; CALDERANO, S. B.;OLIVEIRA, R. P.; AGLIO, M. L. D.; SOUZA, J. S. de; CHAFFIN, C. E. Mapa dereconhecimento de baixa intensidade dos solos do Estado do Rio de Janeiro.Rio de Janeiro: Embrapa Solos, 2003. 1 mapa, color. Escala 1:250.000.Disponível em: <http://www.cnps.embrapa.br/solosbr/sigweb.html>.Acesso em: 2 maio 2007.

EMBRAPA. Centro Nacional de Pesquisa de Solos. Manual de métodos deanálises de solo. 2.ed. Rio de Janeiro, 1997. 212 p.

EMBRAPA SOLOS. Centro Nacional de Pesquisa de Solos. Sistema brasileirode classificação de solos. 2. ed. Rio de Janeiro, 2006. 306 p.

ESRI. Geoprocessing in ArcGIS. Redlands: Environmental Systems ResearchInstitute, 2004. 368 p.

HASTIE, T., TIBSHIRANI, R.; FRIEDMAN, J. The elements of statisticallearning: data mining, inference, and prediction. New York: Springer, 2001.552 p.

IPCC. Mudança do clima 2007: quarto relatório de avaliação do IPCC.Disponível em: <http://www.mct.gov.br/index.php/content/view/3881.html>. Acesso em: 2 maio 2007.

JARVIS, A.; REUTER, H. I.; NELSON, A.; GUEVARA, E. Hole-filled SRTM forthe globe: version 3. 2006. Disponível em: <http://srtm.csi.cgiar.org>.Acesso em: 2 maio 2007.

JENNY, H. Factors of soil formation: a system of quantitative pedology. NewYork: McGraw-Hill, 1941. 281 p.



LAGACHERIE, P.; MCBRATNEY, A. B. Spatial soil information systems andspatial soil inference systems: perspectives for digital soil mapping. In:LAGACHERIE, P.; MCBRATNEY, A. B.; VOLTZ, M. (Ed.). Digital soil mapping:an introductory perspective. Amsterdam: Elsevier, 2006. 600 p. (Elsevier.Developments in soil science, v. 31).

LEICA GEOSYSTEMS. ERDAS Tour Guide, version 8.5: GIS & Mapping: LLC.Atlanta, 2003. 638 p.

LUMBRERAS, J. F.; NAIME, U. J.; CARVALHO FILHO, A. de; WITTERN, K.P.; SHINZATO, E.; DANTAS, M. E.; PALMIERI, F.; FIDALGO, E. C. C.;CALDERANO, S. B.; MEDINA, A. I. M.; PIMENTEL, J.; CHAGAS, C. S.Zoneamento agroecológico do Estado do Rio de Janeiro. Rio de Janeiro:Embrapa Solos, 2003. 113 p. (Embrapa Solos. Boletim de pesquisa edesenvolvimento, n. 33).

MCBRATNEY, A. B., MENDONÇA-SANTOS, M. L., MINASNY, B. On digitalsoil mapping. Geoderma, v. 117, n. 1/2, p. 3–52, Nov. 2003.

MACMILLAN, R. A. LandMapR© Software Toolkit- C++ Version: usermanual. Edmonton: LandMapper Environmental Solutions, 2003. 110 p.

MENDONÇA-SANTOS, M. L. M.; JACQUES, P. D.; COELHO, M. R.;PIMENTEL, J.; SANTOS, H. G. dos; ALMEIDA, P.; BARBOSA, E. L. de A.;COSTA, T. C. e C. da; ÁVILA, R. M.; SHINZATO, E.; BRANCO, P. C. M. P. deA. Mapeamento do uso atual e cobertura vegetal dos solos do Estado do Riode Janeiro. Rio de Janeiro: Embrapa Solos, 2003. 44 p. (Embrapa Solos.Boletim de pesquisa e desenvolvimento, n. 22).

MENDONÇA-SANTOS, M. L. M.; SANTOS, H. G. dos; COELHO, M. R.;PARES, J. G. Caracterização de paisagens e solos representativos do Estadodo Rio de Janeiro para fins de estimativa de estoques de carbono no solo. Riode Janeiro: Embrapa Solos, 2005. 80 p. (Embrapa Solos. Boletim de pesquisae desenvolvimento, n. 66).


MINASNY, B.; MCBRATNEY, A. B.; WHELAN, B. M. VESPER 1.5. Disponívelem: <http://www.usyd.edu.au/su/agric/acpa/pag.htm>. Acesso em: 2 maio2007.

NASA. [NASA home page]. Disponível em: <https://zulu.ssc.nasa.gov/mrsid/>. Acesso em: 2 maio 2007.

RIO de Janeiro: Geologia, geomorfologia, geoquímica, geofísica, recursosminerais, economia mineral, hidrogeologia, estudos de chuvas intensas,aptidão agrícola, uso e cobertura do solo, inventário de escorregamentos,diagnóstico geoambiental. Rio de Janeiro: CPRM: Embrapa Solos: DRM-RJ,2001. 1 CD-ROM.

SALL, J.; LEHMAN, A.; CREIGHTON, LEE. JMP start statistics, version 6.Cary, North Carolina, 1989-2005. Disponível em: <http://www.sas.com/>.Acesso em: 2 maio 2007.

Documents

Boletim de Pesquisa e Desenvolvimento 120 - Ageitec · 1. Carbono. 2. Mapa. 3. Pedologia. 4. Rio de ... Para a predição e o mapeamento digital do estoque de carbono para a escala