Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO CEARÁ
CENTRO DE CIÊNCIAS AGRÁRIAS
DEPARTAMENTO DE ENGENHARIA AGRÍCOLA
CURSO DE AGRONOMIA
VALÉRIA RAMOS LOURENÇO
PREDIÇÃO DIGITAL DO CARBONO ORGÂNICO DO SOLO NO BIOMA
CAATINGA AUXILIADO POR SENSORIAMENTO REMOTO
FORTALEZA
2017
VALÉRIA RAMOS LOURENÇO
PREDIÇÃO DIGITAL DO CARBONO ORGÂNICO DO SOLO NO BIOMA CAATINGA
AUXILIADO POR SENSORIAMENTO REMOTO
Monografia submetida ao Curso de Agronomia
da Universidade Federal do Ceará, como
requisito parcial à obtenção do título de
Engenheira Agrônoma.
Área de concentração: Engenharia agrícola
Orientador: Prof. Dr. Carlos Alexandre Gomes
Costa.
FORTALEZA
2017
VALÉRIA RAMOS LOURENÇO
PREDIÇÃO DIGITAL DO CARBONO ORGÂNICO DO SOLO NO BIOMA CAATINGA
AUXILIADO POR SENSORIAMENTO REMOTO
Monografia submetida ao Curso de Agronomia
da Universidade Federal do Ceará, como
requisito parcial à obtenção do título de
Engenheira Agrônoma.
Área de concentração: Engenharia agrícola
Orientador: Prof. Dr. Carlos Alexandre Gomes
Costa.
Aprovada em: 04/12/2017
BANCA EXAMINADORA
________________________________________
Prof. Dr. Carlos Alexandre Gomes Costa (Orientador)
Universidade Federal do Ceará (UFC)
_________________________________________
Dr. Carlos Alberto Kenji Taniguchi
Embrapa Agroindústria Tropical
_________________________________________
Prof. Dr. Raul Shiso Toma
Universidade Federal do Ceará (UFC)
À minha mãe (Sônia) que sempre, dentro de
suas possibilidades, me destinou o mais puro e
generoso apoio, confiança e amor, e que apesar
de suas humildes limitações sempre buscou me
compreender, aceitar e incentivar minha
complexa personalidade.
Aos meus irmãos, Vitor e Eduarda por
tornarem as coisas mais complicadas, porém
mais divertidas.
E aos meus amigos e professores que
estiveram e estão do meu lado contribuindo
com a construção de mais que um trabalho,
com a construção de uma vida.
AGRADECIMENTOS
À Universidade Federal do Ceará (UFC) e ao Centro de Ciências Agrarias (CCA) pela
oportunidade de cursar a graduação.
À SESu, em especial ao Programa de Educação Tutorial (PET) Agronomia pela concessão da
bolsa de estudos. Ao grupo HIDROSED pelo apoio e colaboração na realização da pesquisa.
Ao Instituto Brasileiro do Meio Ambiente (IBAMA) pelo apoio logístico as coletas na
Estação Ecológica de Aiuaba (ESEC). Ao laboratório de solos da EMBRAPA Agroindústria
Tropical pelo apoio na realização das análises laboratoriais.
Ao professor Dr. Carlos Alexandre Gomes Costa, pela orientação, confiança, liberdade, apoio
e ensinamentos ao longo deste trabalho e de muitos outros. Muito obrigada por sua
compreensão e exemplo profissional e pessoal.
Ao pesquisador Dr. Carlos Alberto Kenji Taniguchi (EMBRAPA), pela oportunidade no
laboratório, por sua colaboração, disponibilidade e ensinamentos.
Ao professor Dr. Raul Shiso Toma, por toda sua colaboração, disponibilidade e ensinamentos.
Ao professor Dr. Ervino Bleicher, pelos ensinamentos que moldaram o meu percurso na
graduação, pelo incentivo, confiança e companheirismo.
As professoras Cândida Hermínia Campos de Magalhães e Rosilene Oliveira Mesquita, pelos
exemplos e ensinamentos ao longo da graduação.
Aos amigos e colegas do PET, Sergio, Alfredo, Felipe, Nicholas, William, Jéssica, Valeska
pelos conhecimentos partilhados ao longo da graduação, pelo companheirismo, aprendizado e
apoio que trocamos ao longo desses anos.
Ao Bruno, por todas as xerox e arquivos da graduação, por todos os sorrisos compartilhados e
por todas as lagrimas também afinal elas também trouxeram crescimento. E acima de tudo
obrigado por sua amizade até onde você pode me ofertá-la.
Aos meus amigos de toda a vida, Thiago Batista, Thiago Alper, Rebeca, Goldemberg, Gilvan,
por todos os anos de companheirismo, amizade e apoio, eu devo a vocês as forças para ter
terminado este trabalho.
Aos meus amigos do caminho, Carol, Tiago e Timóteo Machado, Yan Pavel, Ageu, Léa, Jairo,
David, Simon, Adão e Vidal, por todos os conhecimentos trocados, os conselhos, a
colaboração e apoio ao longo desses anos.
A minha família, por todo o apoio, compreensão e amor durante toda a minha vida.
E aos artistas e suas trilhas sonoras que serviram de inspiração para o desenvolver deste
trabalho: Muse, ACDC, Led Zeppelin, Coldplay, Adele, Imagine dragons, Fagner, Alcione,
Bruno e Marrone, Kings of leon, Rihanna, One republic, U2, Prince, Sin Bandera, Florence
and the machine, Train, Frejat, Biquíni Cavadão, Arctic monkeys, entre tantos outros.
“A melhor maneira de descrever uma história é
contando a história. Entende? Alguém que
descreve uma história, seja para si ou para o
mundo, conta a história. É um ato de
equilíbrio, e é um sonho. Quanto mais preciso
o mapa, mais ele se parece com o terreno. O
mapa mais preciso possível seria o próprio
terreno __ e, portanto, perfeitamente preciso e
perfeitamente inútil. A história é o mapa que é
o terreno. Você precisa se lembrar disso. ”
Neil Gaiman
RESUMO
O estudo e determinação dos estoques de carbono no solo bem como sua distribuição espaço-
temporal é essencial para a compreensão e quantificação do potencial do solo no
armazenamento e, a partir disto, desenvolver planos de manejo de modo a reduzir os impactos
ambientais. Os métodos que envolvem sensoriamento remoto como o MDS (Mapeamento
Digital do Solo) possibilitam análises de uma maneira rápida e de baixo custo de vastas áreas
partindo de uma pequena amostragem in loco. Diante disto objetivou-se com o presente
trabalho avaliar a viabilidade do uso de imagens de sensores orbitais (Landsat-8 TM)
associadas às variáveis ambientais através de modelos de árvores de regressão para o
mapeamento da distribuição do Carbono Orgânico do Solo (COS) na camada de (0-20 cm) em
uma bacia hidrográfica no bioma Caatinga. O experimento foi realizado na Bacia
Representativa do Bengué (BRB) que se localiza ao sudoeste do estado do Ceará, esta possui
uma área de, aproximadamente, 1.000 Km², como área de validação selecionou-se a Bacia
Experimental de Aiuaba (BEA) aninhada na BRB e com uma área de 12 km². A campanha de
coleta de solo foi realizada em março de 2017. Foram coletadas na BRB 48 amostras e 12 na
BEA, as amostras foram analisadas no laboratório de solos da EMBRAPA Agroindústria
Tropical para a determinação dos teores de COS e argila. Como variáveis ambientais
preditoras selecionou-se a textura do solo, classes de uso e ocupação, precipitação, aspectos
topográficos, as bandas 1 a 6 do Satélite Landsat-8 TM e o NDVI. Foram construídos três
modelos de árvore de regressão utilizando-se o software R a primeira árvore constituída por
todas as variáveis, a segunda apenas pelos dados climáticos e topográficos, e a última apenas
pelos dados obtidos via geoprocessamento. Os modelos, após a sua construção, foram
submetidos a índices para avaliação da eficiência de suas predições. A partir da construção
dos modelos de predição baseados em árvores de regressão pode-se realizar a determinação
dos teores de Carbono Orgânico Total na camada de 0-0,20m para uma área característica de
vegetação de Caatinga. A associação de variáveis ambientais com imagens do satélite
Landsat-8 se mostrou bastante promissora como ferramenta de mapeamento e predição dos
teores de COT. As principais variáveis que apresentaram influência nos modelos de predição
foram os dados de reflectância das imagens multiespectrais, além dos dados de precipitação.
O modelo de predição construído apenas com dados de reflectância de imagens
multiespectrais se mostrou tão promissor quanto o modelo completo na predição dos teores de
COT para os solos de uma bacia hidrográfica da Caatinga, se mostrando uma ferramenta
promissora para o manejo do COT neste bioma.
Palavras-chave: Landsat-8 TM. Carbono Orgânico do Solo. Árvores de regressão.
ABSTRACT
The study and determination of carbon stocks in the soil as well as their spatial and temporal
distribution is essential for the understanding and quantification of the soil storage potential
and, from this, develop management plans for this Carbon to reduce environmental impacts.
Methods involving remote sensing such as DMS (Digital Soil Mapping) enable rapid and
low-cost effective analysis of large areas from small in loco sampling. In face of that, the
objective of this study was to evaluate the viability of using orbital sensor images (Landsat-8
TM) associated to environmental variables through regression tree models for the mapping of
soil organic carbon (SOC) distribution in layer (0-20 cm) in a watershed in the Caatinga
biome. The experiment was carried out in the Bengué Representative Basin (BRB), located in
the southwest of the state of Ceará, which has an area of 1000 km². As a validation area, it
was selected the Experimental Basin of Aiuaba (BEA) inserted in BRB and with an area of 12
Km². The soil collection processes were carried out in March 2017. There were collected 48
samples in the BRB and 12 in the BEA, the samples were analyzed in the soil laboratory of
EMBRAPA Tropical Agroindustry for the determination of SOC and clay contents. As
predictive environmental variables, soil texture, classes of use and occupation, precipitation,
topographic aspects, bands 1 to 6 of Landsat-8 TM Satellite and NDVI were selected. Three
regression tree models were constructed using software R, the first tree consisting of all
variables, the second only by climatic and topographic data, and the last only by data obtained
through geoprocessing. The models after their construction were submitted to indices to
evaluate the efficiency of their predictions. From the construction of the prediction models
based on regression trees, the determination of the Total Organic Carbon content in the (0-
0.20 m) layer can be carried out for a characteristic area of Caatinga vegetation. The
association of environmental variables with Landsat-8 satellite images proved to be very
promising as a tool for mapping and predicting TOC levels. The main variables that had
influence in the prediction models were the reflectance data of the multispectral images,
besides the data of precipitation. The prediction model constructed only with multispectral
image reflectance data can be considered as promising as the complete model in predicting
TOC contents for the soils of a catchment area of the Caatinga, showing itself as a promising
tool for TOC management in this biome.
Keywords: Landsat-8TM. Soil Organic Carbon. Regression trees.
SUMÁRIO
1. INTRODUÇÃO ...................................................................................................................... 7
2. REVISÃO DE LITERATURA ............................................................................................. 10
2.1 O bioma Caatinga ............................................................................................................... 10
2.2. Carbono Orgânico do Solo (COS) ..................................................................................... 11
2.3 Métodos de determinação e predição do carbono .............................................................. 16
2.3.1 Determinação de COT em laboratório ............................................................................ 16
2.3.2 Métodos de predição do carbono no solo ........................................................................ 17
2.4 Variáveis ambientais utilizadas em modelos de predição ................................................... 18
3.MATERIAL E MÉTODOS ................................................................................................... 21
3.1. Área de estudo e local de validação................................................................................... 21
3.1.1. Área de estudo: Bacia representativa do Bengué (BRB) ................................................ 21
3.1.2. Local de validação: Bacia Experimental de Aiuaba (BEA) ........................................... 22
3.2. Amostragem do solo e análises laboratoriais. .............................................................. 24
3.3 Obtenção das variáveis através de geoprocessamento ....................................................... 26
3.3.1 Interpolação dos dados para a área da bacia ................................................................. 26
3.3.2 Variáveis climáticas e topográficas ................................................................................. 27
3.3.3 Índice de conectividade de Borselli e uso e ocupação do solo ....................................... 28
3.3.4 Obtenção e processamento de Imagens TM-Landsat 8 ................................................... 30
3.4 Modelo de predição ............................................................................................................ 31
3.5. Analise estatística e validação dos modelos ..................................................................... 32
4. RESULTADOS E DISCUSSÃO ......................................................................................... 35
4.1 Teor de carbono orgânico do solo e sua relação com os preditores:................................... 35
4.2 Conteúdo de COT predito ................................................................................................... 37
5. CONCLUSÕES ................................................................................................................... 47
REFERÊNCIAS ....................................................................................................................... 48
7
1. INTRODUÇÃO
Um dos componentes mais dinâmicos do ecossistema terrestre é o carbono
orgânico do solo (COS), por estar em constante mudança recebendo aporte e também perdas,
e em frequentes trocas com a atmosfera e a vegetação. O estudo e determinação dos estoques
de carbono no solo bem como sua distribuição espaço-temporal é essencial para a
compreensão e quantificação do potencial do solo no armazenamento e, a partir disto
desenvolver planos de manejo deste carbono, de modo a reduzir os impactos ambientais
mitigando os gases do efeito estufa e possibilitar uma exploração racional do potencial do
solo.
As principais modificações no COS são atribuídas as atividades humanas que
refletem diretamente no solo como a agricultura, incremento com matéria orgânica através da
entrada de raízes e deposição de serrapilheira. O solo desempenha um papel fundamental no
ciclo do Carbono devido sua capacidade conhecida de armazenamento superior em relação a
vegetação e o reservatório biótico.
Diversos trabalhos vêm sendo desenvolvidos para quantificar os conteúdos de
Carbono em diferentes escalas, macro, meso e micro, (ESWARAN, VAN DEN BERG &
REICH, 1993; NÓBREGA, 2013; JAFARI et al., 2014; YANG et al., 2015; MELO et al.,
2016) além de seus padrões de distribuição. Entretanto estes levantamentos encontram
diversas barreiras, como falta de dados de campo, a heterogeneidade dos tipos de vegetação e
solo, e a falta de calibração de modelos de determinação e predição dos estoques e da
distribuição nas diversas regiões do mundo. A precisão destes dados principalmente em macro
escala depende em grande parte de disponibilidade de dados e de sua calibração, e o bioma
Caatinga se destaca como um dos que menos possuem dados para a avaliação dos estoques e
distribuição do carbono.
Visando otimizar os estudos e levantamentos desenvolveu-se o mapeamento
digital do solo (MDS), uma ferramenta que se baseia em quantificar a correlação entre
propriedades do solo e variáveis ambientais que contribuem para sua formação
(MCBRATNEY et al., 2003). Dentro desta perspectiva foi desenvolvido o mapeamento
digital do carbono (MDC) e os trabalhos que vem utilizando esta ferramenta têm encontrado
grandes desafios principalmente em decorrência da falta de banco de dados e de outros
estudos realizados nas diferentes condições de solo e vegetação, entretanto a ferramenta tem
se mostrado bastante promissora na predição e determinação de conteúdo e estoque de
8
carbono no solo.
Muitos modelos têm sido testados para a estimativa de COS, como regressão
linear múltipla (ARROUAYS et al., 1995), redes neurais artificiais (MINASNY et al., 2006),
Krigagem (MISHRA et al., 2009), e os modelos de árvore de regressão (MARTIN et al.,
2011; WIESMEIER et al., 2014; YANG et al., 2015), que vem tendo sua aplicação na
estimativa dos teores de COT ampliadas principalmente em decorrência de sua eficiência de
predição.
A carência de dados referente ao COS da Caatinga revela a importância do
levantamento de dados deste bioma, dada a necessidade do conhecimento destes teores para
uma compreensão da dinâmica do carbono no ecossistema e sua contribuição no ciclo global,
além do desenvolvimento de um manejo adequado. Para a implementação de estudos em um
bioma tão complexo e heterogêneo é necessário a seleção de áreas representativas que
resguardem aspectos típicos da dinâmica vegetacional da região, características de importante
valia para implementação de um mapeamento digital do carbono, visto que este método parte
do pressuposto das inter-relações estabelecidas entre os atributos do solo e seus agentes de
formação.
Os métodos que abrangem o sensoriamento remoto como o MDS possibilitam
análises de uma maneira rápida e de baixo custo de vastas áreas partindo de uma pequena
amostragem in loco, principalmente daquelas que apresentam limitação de acesso. Trabalhos
que visavam mapear o conteúdo de COS via imagem espectrais foram realizadas utilizando os
satélites IKONOS, SPOT e Landsat-TM (ADHIKARI et al., 2014; AKSOY et al., 2016);
PENG et al., 2016; YANG et al., 2016). Estes trabalhos buscavam determinar os valores de
COS criando uma relação através de regressão linear entre os valores de banda das imagens
com teores de COS. Na maioria dos estudos eram selecionadas áreas sem vegetação ou de uso
agrícola com solo homogêneo, ou pouca vegetação buscando principalmente reduzir efeitos
que mascarassem os valores de COS. A outra possibilidade trazida pelos modelos de árvore
de regressão considera os dados obtidos através da vegetação não como erros, mas como
parâmetros a serem inseridos visando a sua correlação com os teores de COS, e através disto
busca-se realizar sua determinação, mapeamento e modelagem nos diferentes ambientes de
estudo.
Diante destas possibilidades algumas questões, que visam o aprofundamento nos
estudos do COS no bioma Caatinga foram levantadas como a viabilidade da utilização de
imagens de satélite para a determinação da distribuição espacial do COS no solo do bioma
Caatinga, a efetividade do desenvolvimento de árvores de regressão para a criação de modelos
9
de predição nestas condições, além das relações entre variáveis ambientais que podem ser
utilizadas como preditores para o carbono no solo, e a partir destas questões norteou-se o
desenvolvimento deste trabalho.
Portanto, o objetivo geral deste trabalho foi avaliar a viabilidade do uso de
imagens de sensores orbitais (Landsat-8 TM) associadas às variáveis ambientais através de
modelos de árvores de regressão para o mapeamento da distribuição do carbono orgânico do
solo (COS) na camada de (0-20 cm) em uma bacia hidrográfica no bioma Caatinga. Os
objetivos específicos foram: i) Relacionar a reflectância das imagens de satélite com o teor de
COS utilizando modelos de árvores de regressão; ii) Identificar a influência das principais
variáveis ambientais e quantificar seus efeitos sobre a distribuição do COS na Caatinga; iii)
Avaliar a viabilidade deste método e seu potencial de aplicação.
10
2. REVISÃO DE LITERATURA
2.1 O bioma Caatinga
A Caatinga é um complexo sistema vegetal restrito ao território brasileiro, ocupa
uma área de aproximadamente 800 mil km² o que representa cerca de 11% do território
brasileiro. É constituído por diferentes extratos de vegetação (arbóreo e herbáceo) o que
garante um comportamento heterogêneo deste bioma em vários aspectos. Sua característica
de possuir uma resposta rápida e eficaz a precipitação (PEREZ et al., 2004) torna complexa a
sua investigação por requerer análises em diferentes períodos do ano que influenciam as
modificações em sua paisagem.
A Caatinga é a vegetação que ocupa a maior parte do território caracterizado como
semiárido na região Nordeste do Brasil (GIULIETTI et al., 2004). A vegetação deste bioma é
constituída em grande parte por espécies endêmicas, apresentam como características
botânicas a queda das folhas nos períodos de seca, a tortuosidade do estrato arbustivo e a
coloração esbranquiçada da vegetação na maior parte do período seco que é responsável pela
denominação do bioma. Outras adaptações a escassez hídrica podem ser observadas nas
plantas deste bioma como a presença de acúleos e espinhos em substituição as folhas, grande
presença de estrato arbustivo e de espécies de média a pequeno porte, além da copa
descontinuada (GIULIETTI et al., 2004). Os mecanismos podem ainda ser divididos em
mecanismos para a aquisição máxima de água e outros para a conservação e uso eficiente de
agua pelas plantas (FITTER, 2002).
Andrade Lima (1981) ao realizar o levantamento morfofisiológico da Caatinga a
subdividiu em 12 unidades constituídas por diferentes características de vegetação, solo,
geologia e condições hídricas. As unidades são compostas por florestas altas sobre rochas
calcárias e cristalinas, florestas baixas sobre solos arenosos e profundos, Caatinga aberta
arbórea sobre rochas cristalinas do pré-cambriano entre outras variações. É importante
ressaltar que esta grande diversidade fitossociológica é atribuída pelo autor a associação entre
as condições geológicas, solos, as espécies e seus mecanismos de adaptação e as condições
climáticas que caracterizam o local.
A Caatinga semiárida classificada como BSh por Köppen apresenta como
parâmetros meteorológicos altos índices de radiação solar, com elevados valores de
evapotranspiração potencial, temperaturas médias elevadas, baixas amplitudes térmicas,
11
precipitações irregulares, limitadas a um período curto do ano. Apresenta ainda elevada
irregularidade espaço-temporal das precipitações e longos períodos de estiagem. Este aspecto
que caracteriza a região contribui para o agravamento da deficiência hídrica nestes períodos
(HUANG et al., 2015). Outro fator que contribui para o déficit é a característica dos rios que
drenam a Caatinga serem em sua maioria sazonais (PINTO, 2013), não permitindo sua
exploração ao longo do ano. A predominância da formação geológica cristalina na maior parte
do território (SILVA et al., 1993) se traduz como uma redução do potencial da área para
exploração de água subterrâneas.
Ainda sobre a formação dos solos, a origem geomorfológica e geológica da
Caatinga tem resultado em vários tipos de solos, complexos com características variadas
mesmo dentro de pequenas distâncias (SAMPAIO, 1995). Como resultado da origem do
substrato da caatinga, os solos são pedregosos e rasos, com a rocha-mãe escassamente
decomposta a profundidades exíguas e muitos afloramentos de rochas maciças (AB´SABER,
1974). Os solos se distribuem espacialmente de maneira complexa, sendo identificados desde
os pedregosos e rasos (NEOSSOLOS litólicos) até os arenosos (NEOSSOLOS
quartzarênicos) e profundos (LATOSSOLOS) (PNE, 2005) e o comportamento dos diferentes
constituintes destes solos como óxidos de ferro, minerais primários e secundários, o Carbono
entre outros são condicionados pela diferente dinâmica dos solos, vegetação e clima presentes
no bioma.
2.2. Carbono Orgânico do Solo (COS)
O Carbono nos solos pode ser encontrado em diferentes formas, como C
inorgânico (carbonato, bicarbonato e dióxido de carbono), e como C orgânico
(polissacarídeos, ácidos graxos, aminoácidos, polifenóis e etc.), este último é encontrado
principalmente na biomassa dos microrganismos, no húmus estabilizado, nos resíduos
vegetais e animais de modo geral (MENDONÇA; MATOS, 2005). A entrada de C orgânico
nos solos depende da deposição de materiais orgânicos, a principal fonte deste material é a
própria vegetação presente na área e seu processo de senescência, esta deposição e
humificação de materiais constituem a principal fonte de transferência de C e nutrientes para
o solo (SCHUMACHER et al., 2004), enquanto os principais processos responsáveis pela
perda de C no solo são a erosão, lixiviação e respiração dos microrganismos (EMBRAPA,
2011).
12
O COS é um dos principais fatores que determinam a qualidade do solo, ele
desempenha um papel fundamental na produtividade, na proteção do ambiente e na segurança
alimentar (GREGORICH et al., 1994). Este vem sendo utilizado como indicador de alterações
e da qualidade do solo principalmente devido sua relação com múltiplas funções ecológicas
do ambiente, além de sua sensibilidade em indicar mudanças no uso e ocupação dos solos
(ARAÚJO; MELO, 2010).
De acordo com Nelson e Sommers (1982), pode-se considerar que a matéria
orgânica (MO) do solo contém cerca de 58 % de C, em relação à massa total. Assim, a
determinação do carbono orgânico total (COT) tem sido utilizada para estimar
quantitativamente a fração orgânica do solo e a partir disso sua influência em processos como:
diversificação da microbiota do solo, formação e estabilização de agregados, aumento da
capacidade de troca de cátions (CTC), retenção de nutrientes devido a sua alta superfície
especifica, poder tampão de pH, na retenção e infiltração de água no solo, além da
complexação de compostos prejudiciais ao ecossistema como os metais pesados.
Os teores de COS são influenciados por diferentes fatores, entre eles o arranjo
espaço-temporal das espécies vegetais presentes, a utilização de culturas para cobertura e com
elevada produção de fitomassa, tanto pela parte aérea como pelo sistema radicular (JANZEN
et al., 1998), também podem interferir diretamente os estoques de C e N e consequentemente
nas diferentes frações da MO (DIEKOW et al., 2005). Outros fatores relacionados ao sistema
de manejo do solo que também influenciam diretamente a dinâmica do COS e da MO são o
preparo do solo, quantidade e qualidade dos resíduos culturais e a frequência e duração dos
cultivos (SANTOS et al., 2011). A distribuição de COS é modificada pela paisagem e também
apresenta variação com a profundidade do perfil dos solos. Na maior parte dos solos o COS
está concentrado nos horizontes de superfície e diminui com a profundidade (HARTEMINK;
MINASNY, 2014) sendo, portanto, necessário sua análise em diferentes tipos de uso e
ocupação dos solos, além de abranger as diferentes distribuições temporais das variações
paisagísticas representando assim as características do bioma Caatinga.
Em trabalho desenvolvido por Lourenço et al. (2017) buscando identificar
correlações entre parâmetros como a serrapilheira e a umidade do solo com o teor de COS
submetido a diferentes condições de manejo, observaram maiores correlações entre a
serrapilheira e o COS em área caracterizada por vegetação de Caatinga em preservação,
enquanto em área predominantemente constituída de Caatinga raleada a maior correlação foi
identificada para a umidade.
13
A literatura possui dados de teor de carbono em ecossistemas localizados na
Caatinga como os encontrados nos estudos de Bernardi et al. (2007) que analisando a camada
de 0-40 cm encontraram valores de 27,6 Mg.ha-1 e Giongo et al. (2010) obtiveram os valores
de 58,64 Mg.ha-1 em área preservada e 44,91 Mg.ha-1 em uma área de vegetação alterada na
camada de 0-20 cm, Lopes et al. (2012) avaliando um sistema de cultivo de melão em
comparação com vegetação nativa de Caatinga observaram que houve um incremento de
matéria orgânica em profundidade no perfil de solo cultivado com melão ao longo de dez
anos, fato este atribuído ao sistema de manejo adotado e as constantes manobras de
revolvimento do solo e incorporação de matéria orgânica, na área preservada observou-se o
comportamento tradicionalmente descrito de maior acúmulo na superfície em razão da
manutenção da condição não antropizada do ambiente.
As pesquisas mostram o início do levantamento de dados neste bioma, entretanto
se tratam de levantamentos locais e restritos a áreas de pesquisa específicas, não se
identificam estudos que busquem levantar dados para todo o bioma como o mapeamento e
uso de técnicas que permitam expandir estes diagnósticos em larga escala, estes ainda são
escassos.
Outra carência de informações observadas nos levantamentos de COS neste bioma
é a falta de informações sobre os fatores de maior influência na determinação da dinâmica do
COS. Sob o clima árido e a cobertura vegetal do deserto de Gobi, foram constatadas baixas
influencias de fatores químicos e bióticos na determinação do COS, sendo as propriedades
físicas do solo as que apresentaram maior relação com a variabilidade do COS nessa área
(ZHANG; SHAO, 2014). McGrath et al. (2001) relataram uma correlação positiva da fração
argila do solo com a MO na profundidade de 0-20 cm em solos da Amazônia.
Temperaturas mais frias também são indicadas como a razão para os maiores
teores de COS serem encontrados nos solos de florestas temperadas (GIBBS et al., 2014), por
reduzirem a atividade microbiológica e consequentemente a decomposição da MO. A
velocidade de ciclagem do C em solos tropicais é de apenas 16 anos em comparação aos
2.080 anos que duram o processo em ambientes de Tundra (JANZEN, 2006), corroborando
com Silva e Mendonça (2007) que afirmam que em decorrência da rápida ciclagem do C, este
possuiria alta sensibilidade as alterações da cobertura vegetal nos solos tropicais, este fator
pode ser ainda mais intensificado na Caatinga em decorrência de suas elevadas temperaturas,
taxas de decomposição e processo característico de caducifólia da vegetação.
Na esfera da utilização de geotecnologias como o mapeamento digital do solo
(MDS), método este que se baseia no desenvolvimento de sistemas de informações
14
geográficos (SIG) que serão utilizados para a inferência de variações espaço-temporais dos
solos e de suas propriedades (LAGACHERIE & MCBRANTNEY, 2007), visando o
mapeamento do COS ainda são poucos os trabalhos no Brasil. Os resultados obtidos por
Bonfatti et al. (2016) mapeando o COS em solos de vinhedo do Rio Grande do Sul mostraram
que o carbono do solo foi perdido quando o sistema de manejo do solo foi alterado reduzindo
com isso o potencial de sequestro de C do solo. Já Höfig et al. (2014) através de verificação
de verdade de campo demonstraram acurácia de 75% do mapa convencional de solos,
enquanto que para o mapa predito foi de 47%. Bhering et al. (2016) concluíram que uso de
variáveis preditoras (atributos morfométricas, dados de sensores orbitais) aliados a estatística
multivariada demonstraram potencial de utilização na predição da textura e COS. Não são
encontrados trabalhos nesta abordagem que tenham como objeto o COS do Bioma Caatinga,
mostrando, portanto, a carência de dados para este ecossistema.
Uma compreensão precisa das características espaciais do COS pode melhorar a
precisão das estimativas do estoque COS e contribuir para o desenvolvimento e
implementação de métodos de sequestro e manejo de carbono eficazes (LI et al., 2013), sendo
estes conhecimentos necessários para reduzir a incerteza da estimativa de estoques de COS e
entender melhor o papel da COS no ciclo global do carbono. A extrapolação de dados para a
estimativa de COS em grandes áreas pode projetar resultados inexatos nas ocasiões em que
não se considera a variabilidade espacial dos atributos do solo (NOVAES FILHO et al., 2007)
são necessários ainda conjuntos de dados de base confiáveis que forneçam informações sobre
os estoques de COS em todos os tipos de sítios e ecossistemas (ZHANG; SHAO, 2014).
Ainda segundo os autores somente de posse destes dados será possível propor medidas
efetivas para aumentar a capacidades de estoque e sequestro de carbono do solo nos
ecossistemas.
Estudo realizados por Nóbrega (2013) indicam que os solos do Ceará possuem
374.123.384,15 Mg de Carbono sendo estas distribuídas sob as associações com vegetação de
Caatinga arbustiva (162.045.564,11 Mg), seguida da Caatinga arbórea (94.263.321,85 Mg) e
pelo complexo vegetacional da zona litorânea (45.409.734.96 Mg). Ainda segundo o autor os
teores médios de COT presente nos solos e distribuídos em algumas das classes presentes no
estado podem ser observados na Tabela 1.
15
Tabela 1: Conteúdo de COT no horizonte A, espessura e densidade encontradas em solos do
estado do Ceará.
Classe de solos
COT
(g.kg-1)
Espessura
(cm)
Densidade
(g.cm-3)
NEOSSOLOS LITÓLICOS 9,98 18,11 1,42
NEOSSOLOS QUARTZARÊNICOS 8,98 13,00 1,55
ARGISSOLOS VERMELHO-
AMARELOS Eutróficos 10,28 15,97 1,50
LATOSSOLOS VERMELHO-
AMARELOS Distróficos 8,85 15,97 1,43
ARGISSOLOS VERMELHOS
Eutróficos 16,25 11,25 1,42
LUVISSOLOS CRÔMICOS Órticos 10,60 14,25 1,41
PLANOSSOLOS NÁTRICOS Órticos 3,34 19,67 1,50
LUVISSOLOS CRÔMICOS Pálicos 10,60 14,25 1,48
PLANOSSOLOS HÁPLICOS Eutróficos 7,22 20,60 1,47
ARGISSOLOS VERMELHO-
AMARELOS Distróficos 6,76 36,53 1,51
CHERNOSSOLOS ARGILÚVICOS
Órticos 15,00 39,00 1,45
CAMBISSOLOS HÁPLICOS Ta
Eutróficos 15,20 6,00 1,37
VERTISSOLOS HÁPLICOS Órticos 11,36 18,67 1,38
LATOSSOLOS VERMELHO-
AMARELOS Eutróficos 11,85 13,33 1,43
NEOSSOLOS FLÚVICOS Tb Distrófico 10,88 17,80 1,39
NEOSSOLOS LITÓLICOS Distróficos 7,92 16,50 1,41
GLEISSOLOS SÁLICOS Sódicos 17,63 19,00 1,45 Fonte: Nóbrega (2013), adaptado pelo autor.
Ainda se tratando da avaliação dos teores de carbono encontrado nos solos do
Ceará e sua relação com a qualidade dos mesmo Lourenço, Teixeira e Costa (2017) buscando
identificar a qualidade dos solos através da avaliação de atributos físicos e químicos
encontraram 35,7 g.kg-1 de MO em uma área utilizada para pastejo animal, enquanto em uma
área de vegetação em pousio obtiveram 62,7 g.kg-1. Os autores observaram ainda uma
correlação significativa dos teores de MO com a densidade do solo, encontrando menores
valores nas áreas com maiores teores de MO. Em solos caracterizados como áreas degradas e
em estado de desertificação no estado observou-se teores de COS de apenas 5,7 g.kg -1
quando estas foram protegidas com um pousio para recuperação do solo, e de 4,7 g.kg -1 na
16
camada superficial. Os dez anos de pousio aos quais a área foi submetida reduziram as perdas
de COS por erosão e refletiram em maiores estoques no solo (ALMEIDA et al., 2017).
2.3 Métodos de determinação e predição do carbono
2.3.1 Determinação de COT em laboratório
Muitos são os métodos para a determinação do C em amostras de solo em
laboratório. Estes podem ser subdivididos em métodos de digestão a seco e a úmido. No caso
da determinação a seco pode se apontar como vantagens a maior precisão do método
(NELSON; SOMMERS, 1996; SOON; ABBOUD, 1991) e a menor vinculação dos resultados
a perícia dos laboratoristas, além da menor necessidade de utilização de reagentes tóxicos
(RHEINHEIMER et al., 2008), e como desvantagem os elevados custos dos equipamentos de
leituras o que os torna raros nos laboratórios de análise. Neste método as amostras são
oxidadas em altas temperaturas (1.020 – 1.500° C) na presença de Cr2O7-2 e CO3O4/Ag
submetidas a uma pressão de 30 kPa. As moléculas orgânicas que foram oxidadas são
transportadas em vapor de água e associadas ao CO2 para um forno de redução sob fluxo de
hélio, neste forno contem íons de Cu a uma temperatura de 750° C do qual saem moléculas
transformadas de N2 e CO2 que serão separados e lidos em colunas cromatográficas e
determinados em equipamento apropriado.
No que se refere aos métodos por combustão úmida são mais acessíveis,
entretanto utilizam elevados volumes de reagentes tóxicos (PIMENTEL et al.,2006). Nesta
metodologia o Cr2O7-2 será reduzido ao reagir com o C orgânico presente nas amostras e o
sobressalente será titulado na presença de Fe+2 ou determinado por técnicas colorimétricas.
Em estudos desenvolvidos por Rheinheimer et al. (2008) buscando comparar a
eficiência entre os métodos laboratoriais de determinação de C no solo avaliaram os métodos
desenvolvidos por Walkley-Black modificado por Tedesco et al. (1995), captura de CO2
descrito por Nelson e Sommers (1982), Mebius modificado por Nelson e Sommers (1982) e
Mebius adaptado para bloco de digestão (Mebius no bloco) descrito por Yeomans e Bremner
(1988). Os autores observaram menor exatidão e precisão para o método de captura de CO2,
enquanto o método Melbius no bloco apresentou tendência de maior precisão em relação aos
métodos de Walkley-Black e Mebius modificado.
17
2.3.2 Métodos de predição do carbono no solo
Pesquisas realizadas com atributos do solo utilizam modelos estatísticos desde a
estatística descritiva, estatística paramétrica até para comparação e previsão de
comportamentos do solo. Para isso são necessárias técnicas flexíveis o suficiente para
expressar as características típicas de seus dados como a não linearidade e as interações
existentes (ELITH et al., 2008). Para a predição do carbono no solo não são diferentes os
pressupostos que se segue buscando identificar modelos que distribuam os teores de COS e
que permitam ainda aliados a outras variáveis a predição deste atributo do solo.
Dentre os métodos já utilizados temos a regressão linear múltipla que consiste na
construção de modelos que buscam descrever a relação entre diversas variáveis que
determinam um fenômeno. Se difere da regressão simples por abordar mais de uma variável
na construção do modelo. No estudo realizado por Arrouays et al. (1995) foram utilizados
dados climáticos, geomorfológicos e pedológicos dos solos buscando criar mapas com níveis
de probabilidade de distribuição de COS. Os resultados mostraram que relacionar o conteúdo
de COS com os parâmetros espaciais se mostrou uma ferramenta útil para a previsão do COS,
observaram ainda que os teores de argila no solo se mostrou o parâmetro mais importante no
modelo de predição.
Buscando utilizar funções de redes neurais artificiais Minasny et al. (2006)
propuseram o uso de uma equação exponencial negativa para distribuir os dados de carbono
no solo, e sua integral para representar o armazenamento de C, utilizaram ainda redes neurais
associadas a equações de pedotransferência para prever o COS. Os autores conseguiram
mapear os teores de COS no solo, entretanto algumas restrições forma indicadas como a falta
de “feed-back” para o método, além de problemas com a extrapolação das predições.
Para que se gere modelos que aproximem os valores preditos da realidade de
campo é necessário realizar uma modelagem da variabilidade local. Um dos modelos
estatísticos que visa a representação de efeito locais e globais é a Krigagem. Nesta abordagem
cada ponto da superfície é estimado a partir da interpolação de pontos com valores próximos
espacialmente (DRUCKS et al., 2004). Partindo deste pressuposto Mishra et al., (2009)
buscaram mapear os estoques de COS em diferentes intervalos de profundidade utilizando
funções de distribuição de profundidade de perfil e Krigagem normal. A maior precisão de
predição (r = 0,75) foi observada para a profundidade de 0 - 0,5 m, mostrando as boas
perspectivas de uso do método para o levantamento e predição de dados de COS.
18
A construção de modelos computacionais de predição geralmente parte da
identificação de relacionamentos entre variáveis dependentes e independentes, e nisto se
baseia o funcionamento dos modelos de árvore de decisão ou regressão. O aprendizado
indutivo das árvores de regressão pode ser dividido em supervisionado e não-supervisionado
(CHAPELLE et al., 2006). Esta classificação pode ser utilizada para propósitos de
modelagem descritiva e preditiva (TAN et al., 2005), o uso no ponto de vista descritivo busca
a separação de diferentes classes, enquanto que do ponto de vista preditivo o objetivo é
classificar classes cujo a definição é desconhecida. A utilização de modelos de árvores de
decisão tem sido observada em vários trabalhos que objetivam a predição do COS (MARTIN
et al., 2011; WIESMEIER et al., 2014; YANG et al., 2015),
Em estudo realizado por Yang et al. (2016) avaliando a eficiência do método
árvore de regressão na determinação da variabilidade do COS em ecossistema Alpino obteve
coeficientes de determinação (R²) de 0,7. Este valor elevado de ajustamento do modelo foi
explicado pela grande correlação do COS com a cobertura da vegetação natural que foi um
dos preditores utilizados. Através da utilização dos modelos de árvores pode-se correlacionar
de 50-58% da variância de COS na França (MARTIN et al., 2011) e 61-68% nas ilhas de
Madagascar (RAZAKAMANARIVO et al., 2011).
2.4 Variáveis ambientais utilizadas em modelos de predição
A definição de Mapeamento Digital do Solo (MDS) traz em si a exigência de
alguns parâmetros como a criação de um banco de dados de solos georreferenciados inseridos
em um Sistema de Informações Geográficas (SIG) que serão posteriormente modeladas
através de métodos estatísticos. Além disso são necessárias variáveis ambientais que
influenciam a formação dos solos e suas propriedades para que torne possível a predição ou
modelagem no ambiente desejado (MENDONÇA SANTOS; CATEN, 2015). Ainda segundo
os autores dados como clima, vegetação, uso da terra, geologia, geomorfologia são
fundamentais para a construção do modelo de predição. Mcbratney et al. (2003) partindo da
equação descrita por Hans Jenny em 1941 que define o solo como função de cinco fatores, a
saber: clima, organismos, material de origem, tempo e relevo, propuseram um modelo
genérico que visa não apenas demonstrar a relação entre os fatores de formação mais
principalmente objetiva prever atributos e classes dos solos. O modelo foi denominado de
s.c.o.r.p.a.n e seus componentes podem ser observados na Equação 1.
19
𝑆𝑐, 𝑝 = 𝑓 (𝑠. 𝑐. 𝑜. 𝑟. 𝑝. 𝑎. 𝑛) + 𝑒 (1)
Em que Sc,p corresponde as classes ou propriedades do solo que se deseja modelar. O s
outras propriedades desse solo em um determinado ponto no espaço-tempo. O c se refere as
propriedades climáticas do ambiente como precipitação média, temperatura entre outras. O o
inclui as atividades humanas, presença de organismos e vegetação que pode ser abordada
através de índices como o NDVI. O r representa as características do relevo, topografia,
declividade, aspecto que normalmente são obtidas através de derivadas do Modelo Numérico
do Terreno (MNT). O p diz respeito ao material de origem do solo e sua litologia. Quanto ao
fator a diz respeito ao tempo e o n a posição espacial (X,Y) da classe ou propriedade. O f se
refere a modelagem que será empregada para predizer de forma quantitativa as relações
presentes entre as classes e/ou atributos do solo e o ambiente em que se localiza. O modelo
permite ainda incorporar os conhecimentos do profissional que está a desenvolver o trabalho
no que diz respeito a supervisão das predições, e inclui a estimativa dos erros associados (e).
A relação dos componentes pode ser observada na Figura 1.
Figura 1: Coráveis ambientais que integram o modelo s.co.r.p.a.n.
Fonte: Mendonça Santos e Caten (2015).
20
Nos estudos realizados por Yang et al. (2016); Aksoy et al. (2016); Yang et al.
(2015); Adhikari et al. (2014) e Zhang e Shao (2014) foram selecionadas algumas variáveis
ambientais para compor os modelos de predição do COS, estas além de serem analisadas
como fatores possuem uma relação direta com o conteúdo do carbono e sua distribuição no
ecossistema. As principais variáveis analisadas podem ser observadas na Tabela 2.
Tabela 2: Variáveis adotadas na literatura para a predição da distribuição de COS, e que serão
avaliadas no presente estudo.
VARIÁVEIS DESCRIÇÃO REFERÊNCIA
Mapa textural (g.Kg-1) Mapa da textura dos solos com base
na análise granulométrica de suas
frações.
Aksoy et al. (2016);
Peng et al.(2016)
Precipitação (mm) Precipitação média anual Yang et al. (2016);
Aksoy et al. (2016)
Declividade Relação entre a diferença de elevação
entre dois pontos e a distância
horizontal entre estes.
Yang et al. (2016);
Aksoy et al. (2016)
Uso da terra Manejo e ocupação dos solos na área
de estudo (variável categórica)
Aksoy et al. (2016)
Elevação (m) Elevação da superfície terrestre obtida
do Modelo Numérico do Terreno
(MNT)
Adhikari et al.
(2014); Yang et al.
(2016); Aksoy et al.
(2016)
Aspecto da vertente Orientação da declividade medida no
sentido horário de 0 a 360°
Adhikari et al.
(2014); Yang et al.
(2016); Aksoy et al.
(2016)
Índice de conectividade de
Borselli
Descreve a conexões entre áreas de
geração de escoamento e produção de
sedimentos na bacia hidrográfica
Imagens Landsat-8 TM
(bandas 1 a 6)
Imagens obtidas do satélite Landsat-8
TM
Peng et al.(2016);
Yang et al.(2016);
NDVI Índice de vegetação por diferença
normalizada
Peng et al.(2016)
Yang et al. (2016); Fonte: Elaborada pelo autor.
Segundo Aksoy et al. (2016) diferentes variáveis podem ser utilizadas para
distintas áreas de estudo buscando a melhor explicação da distribuição de COS. A quantidade
de fatores que vão se apresentar como significativos e assim influenciando o conteúdo de
COS varia de acordo com a região.
21
3.MATERIAL E MÉTODOS
3.1. Área de estudo e local de validação
3.1.1. Área de estudo: Bacia representativa do Bengué (BRB)
O experimento foi realizado na Bacia Representativa do Bengué que se localiza ao
sudoeste do estado do Ceará e ao leste do estado do Piauí entre as coordenadas (UTM Zona
24S, SIRGAS 2000) 9277825 m Norte, Leste 307581 m, Oeste 374361 m e 9246655 m ao
Sul. Possui uma área de drenagem de aproximadamente 1000 Km². A bacia do Bengué é uma
sub-bacia pertencente a bacia do Alto Jaguaribe. O principal rio presente na bacia é o
Umbuzeiro que desemboca no principal reservatório da área o Açude do Bengué, este possui
uma capacidade de armazenamento de 19,6 milhões de m³ (MÜLLER et al., 2005) e é
responsável pelo abastecimento do município de Aiuaba no qual a área da bacia está
distribuída. A classificação climática segundo Köppen é tropical semiárido “Bs”, com
precipitação anual média de 600 mm e uma evapotranspiração potencial de 2200 mm
(GAISER et al., 2003). O escoamento dominante na bacia é o do tipo Hortoniano terrestre,
com baixa influência de fluxo subterrâneo, atrelado a característica efêmera predominante dos
rios da região, que apresentam fluxo apenas durante eventos chuvosos, definem a dinâmica
observada na bacia (CREUTZFELDT, 2006). A bacia possui uma elevação que varia entre
375 a 785 m a cima do nível do mar, sendo os pontos de maior elevação observados nas
bordas sul e oeste da bacia. Se observa o predomínio de declividade abaixo de 5% em sua
área.
Esta possui uma vegetação caracterizada como Caatinga arbórea arbustiva
marcada por uma densidade vegetativa intermediária, altura média de 5 metros, ramificada e
com presença de espinhos, o estrato se subdivide em função de sua altura como arbóreo (3-8
m), arbustivo (0,5-4 m) e herbáceo (<0,5 m) (CARVALHO; JÚNIOR, 2004), observa-se uma
predominância de espécies pertencentes as famílias Fabaceae e Euphorbiaceae. A bacia está
localizada entre uma zona de transição geomorfológica e abrange duas unidades
geoambientais: Os Sertões e Altos planaltos sedimentares separados por uma formação que
marca a transição do cristalino para o sedimentar (CAVALCANTE; FERREIRA, 1983). Os
solos identificados na área são classificados como LUVISSOLO CRÔMICO Órtico,
LATOSSOLO VERMELHO-AMARELO, PLANOSSOLO NÁTRICOS, ARGISSOLO
VERMELHO-AMARELO e NEOSSOLO LITÓLICOS (CREUTZFELDT, 2006; MAMEDE,
22
2008; MEDEIROS, 2009). A distribuição dos diferentes tipos de solo pode ser observada na
Figura 2.
Figura 2: Bacia Representativa do Bengué, sua localização no Estado do Ceará e na Bacia do
Alto Jaguaribe, localização das principais classes de solo da bacia.
Fonte: Autor.
Legenda: LVA – LATOSSOLO VERMELHO-AMARELO álico; TCo – LUVISSOLO CRÔMICO Órtico; SN –
PLANOSSOLO NÁTRICO; RLd – NEOSSOLO LITÓLICO Distrófico; RLe – NEOSSOLO LITÓLICO
Eutrófico; PVA – ARGISSOLO VERMELHO-AMARELO Eutrófico; BRB – Bacia Representativa do Bengué.
3.1.2. Local de validação: Bacia Experimental de Aiuaba (BEA)
Para a validação do modelo foram coletados pontos na bacia experimental de
Aiuaba (BEA) que fica localizada no município de Aiuaba-CE na microrregião dos Inhamuns,
é atualmente a maior reserva federal do bioma Caatinga. A área atual da bacia é de 12 km²
(Figura 3) e está localizada integralmente na estação ecológica (ESEC) estando em
preservação e representando a maior unidade de proteção do Bioma Caatinga. A BEA é uma
micro bacia aninhada na BRB e sua área por possuir uma vegetação densa e preservada
possibilita a observação de parâmetros característicos do bioma e seu comportamento. Seu
principal reservatório possui uma capacidade de 60 mil m³.
23
Figura 3: Bacia Experimental de Aiuaba (BEA), sua localização no Estado do Ceará, na
Bacia do Alto Jaguaribe, e na Bacia Representativa do Bengué, da malha viária e distribuição
das ASV’s e hidrografia da bacia.
Fonte: Autor.
Legenda: ASV – Associação solo vegetação; BEA – Bacia Experimental de Aiuaba; BRB – Bacia Representativa
do Bengué.
O clima é caracterizado como ‘Bs’ de acordo com a classificação de Köppen,
apresentando precipitação média de 560 mm/ano; evaporação do tanque classe A de 2500
mm/ano (DE ARAÚJO; PIEDRA, 2009). A sistematização dos dados pluviométricos da bacia
foi realizada por Creutzfeldt (2006) e demonstrou a separação clara de uma estação chuvosa,
compreendendo os meses de dezembro-maio, e uma seca que engloba os demais meses com
coeficiente de variação anual de 0,4. Observou-se ainda que as maiores proporções de
precipitação anual diziam respeito a eventos isolados com valores máximos superiores a 160
mm. Ainda em relação a caracterização climática da área Costa (2007) a definiu como baixa
amplitude térmica diária, em relação à média anual (27°C), apresenta uma média máxima de
32° C e a mínima de 21° C, uma umidade relativa do ar média de 62%, com máxima em abril
com 78% e mínima em setembro com 44%.
O uso e ocupação do solo é de Caatinga arbórea arbustiva na sua maior parte
(COSTA et al., 2013). Visando a compreensão e melhor avaliação da dinâmica do ambiente
24
existente na bacia esta foi dividida em três associações solo vegetação (ASV’s) que são
definidas como unidades homogêneas para estudos das variáveis ambientais (COSTA et al.,
2013; PINHEIRO et al., 2013). Pinheiro et al. (2016) realizaram a classificação das ASV’s
com base na sua predominância de solo e vegetação e esta pode ser observadas na Tabela 3.
Tabela 3: Caracterização dos componentes das Associações Solo Vegetação (ASV’s) que
compõe a subdivisão da Bacia Experimental de Aiuaba (BEA).
ASV Predominância da vegetação Classe de solo Área ocupada
na BEA (%)
ASV 1 Catingueira (Caesalpinia
pyramidalis Tul)
LUVISSOLOS
CRÔMICOS 20
ASV 2 Angelim (Piptadenia obliqua)
ARGISSOLOS
VERMELHO-
AMARELO
34
ASV 3 Jurema-preta (Mimosa
tenuiflora (Willd.) Poir)
NEOSSOLOS
LITÓLICOS +
LATOSSOLOS
VERMELHO-
AMARELO
46
Fonte: Pinheiro et al. (2016).
3.2. Amostragem do solo e análises laboratoriais.
Os pontos de coleta foram definidos considerando-se os as áreas de deposição e
produção de sedimentos na bacia obtidos a partir da aplicação do índice de conectividade de
Borselli (BORSELLI et al., 2008). Como parâmetro para a determinação do número de
pontos amostrais adotou-se o estudo realizado por Yang et al. (2015) no qual foram coletadas
105 amostras para uma bacia de 30.000 Km², representando uma relação de uma amostra para
cada 285 km².
A campanha de coleta foi realizada nos dias 06 e 07 de março de 2017. Foram
coletadas na bacia representativa do Bengué (BRB) 48 amostras distribuídas em sua área de
1000 km², o que representa uma relação de aproximadamente um ponto amostral para cada 20
km². E para a Bacia Experimental de Aiuaba (BEA) definida no presente estudo como a área
de validação do modelo (12 km²) foram coletadas um total de 12 amostras, relação de um
ponto para cada quilômetro quadrado. O ponto de coleta foi georeferenciado e o solo foi
acondicionado em sacos herméticos e encaminhados ao Laboratório de solos da Embrapa
Agroindústria Tropical. A distribuição espacial dos pontos amostrais do COT na Bacia
25
Representativa do Bengué e na Bacia experimental de Aiuaba (BEA) pode ser observado na
Figura 4.
Figura 4: Mapa de distribuição dos pontos amostrais de carbono orgânico total na camada
superficial (0-0,20 m) dos solos da BRB e da BEA.
Fonte: Autor.
Legenda: LVA – LATOSSOLO VERMELHO-AMARELO álico; TCo – LUVISSOLO CRÔMICO Órtico; SN –
PLANOSSOLO NÁTRICO; RLd – NEOSSOLO LITÓLICO Distrófico; RLe – NEOSSOLO LITÓLICO
Eutrófico; PVA – ARGISSOLO VERMELHO-AMARELO Eutrófico; BRB – Bacia Representativa do Bengué;
BEA – Bacia Experiemntal de Aiuaba; Pontos 1 – Pontos para a criação do modelo de predição; Pontos 2 –
pontos utilizados para a validação do modelo.
As amostras de solo foram coletadas na camada de 0-0,2 m (topsoil) em função de
ser a camada de maior concentração de nutrientes, de deposição de matéria orgânica e
consequentemente que apresenta maior teor de carbono orgânico (CO). O material foi seco ao
ar e posteriormente passado nas peneiras para separação da fração grossa: cascalho (>2 e <20
mm) e calhaus (>20 mm), e na peneira n° 10 para obtenção da fração de terra fina seca ao ar
(TFSA). As determinações de carbono foram feitas conforme metodologia de Walkley-Blac
modificado por Yeomans e Bremner (1988) em que a matéria orgânica do solo é oxidada por
dicromato de potássio em meio sulfúrico, utilizando-se como fonte de energia o calor
desprendido da reação e uma fonte de aquecimento, após o sobressalente de dicromato de
26
potássio é titulado com uma solução padrão de sulfato ferroso amoniacal para a determinação
do C de forma indireta (EMBRAPA, 2011).
Para a obtenção das frações granulométricas dos solos utilizou-se a metodologia
descrita por Almeida et al (2012) na qual se busca a ruptura dos agregados com a dispersão
das partículas minerais através da associação de dispersão física (agitação lenta) e dispersão
química (uso de dispersante). Para isso pesaram-se 20 g de solo da fração TFSA, transferiram-
se para um erlenmeyer de 500 mL e adicionou-se 100 mL de água deionizada e 25 mL de
NaOH 1mol.L-1. Em seguida montou-se os erlenmeyers em um agitador do tipo Wagner e
procedeu-se a agitação por 16 horas a 50 rpm. Após decorrido o tempo passou-se a mistura
por uma peneira de 0,053 mm e armazenou-se o liquido em uma proveta de 1000 mL,
completou-se o volume da proveta com agua deionizada e esta foi agitada por um minuto,
após verificou-se a temperatura do liquido e com base na tabela de velocidade de
sedimentação da fração silte determinou-se o tempo para a retirada de uma alíquota de 25 mL
para a determinação da fração argila. A fração areia foi determinada conforme o peso do
material retino na peneira de 0,053mm.
3.3 Obtenção das variáveis através de geoprocessamento
As variáveis obtidas por meio de geoprocessamento foram selecionadas conforme
estudos já desenvolvidos em outros ecossistemas e que demonstraram possuir correlação com
o COS (ADHIKARI et al., 2014; AKSOY et al., 2016; BONFATTI et al., 20016; MARTIN et
al., 2011; RAZAKAMANARIVO et al., 2011;; PENG et al.2016; YANG et al., 2016).
3.3.1 Interpolação dos dados para a área da bacia
Os dados que foram obtidos em pontos específicos como o caso da precipitação, e
dos dados de solo tiveram seus valores interpolados para a área da bacia através do método da
ponderação do inverso da distância (IDW) no ArcGIS 10.0, nesta metodologia de interpolação
os pontos amostrais tem sua influência relativa em relação ao ponto que se deseja obter
pesado com base na distância entre os dois, como pode ser observado na Figura 5.
27
Figura 5: Superfície IDW interpolada a partir de pontos vetoriais de elevação.
Fonte: Mitas e Mitasova (1999).
3.3.2 Variáveis climáticas e topográficas
O modelo Digital de Elevação (MDE) foi obtido através dos dados SRTM (Shuttle
Radar Topography Mission DEM) com 30 metros de resolução a partir do qual pode-se
determinar as variáveis topográficas. A Elevação consiste na representação matricial da cota
correspondente ao ponto em questão. A Declividade é a expressão do potencial de
movimentação de massa, velocidade de fluxo de água e da movimentação de outros agentes
erosivos condicionando com isso os principais agentes da pedogênese (GALLANT;
WILSON, 2000), a inclinação para um local particular é calculada como a taxa máxima de
mudança de elevação entre esse local e seus arredores. Já o Aspecto consiste na orientação da
declividade, medida no sentido horário em graus de 0 a 360, onde 0 está virado para o norte,
90 está virado para o leste, 180 está virado para o sul e 270 está virado a oeste. Estas variáveis
foram obtidas utilizando a ferramenta spatial analysis tools do ArcGIS 10.0 (ESRI Inc.,
USA). Os dados de precipitação foram obtidos de estações pluviométricas disponibilizados no
portal da FUNCEME (Fundação Cearense de Meteorologia) a partir dos quais se calcularam
as normais climatológicas de um período de 30 anos para que se chegasse a média de
precipitação anual.
28
3.3.3 Índice de conectividade de Borselli e uso e ocupação do solo
O índice de conectividade (IC) baseado em SIG proposto por Borselli et al. (2008)
foi o parâmetro utilizado para a determinação dos pontos de coleta e seu valor para cada
ponto, este também foi utilizado como uma das variáveis do modelo de predição em
decorrência da capacidade deste de identificar os locais de produção e deposição de
sedimentos na área da bacia, fator este que pode estar diretamente atrelado a movimentação
do COS nos solos. O IC considera as peculiaridades da área de drenagem (montante) e a
distâncias que as partículas têm de percorrer até alcançar o dissipador mais próximo (jusante),
fornecendo uma estimativa do potencial de conectividade entre os sedimentos erodidos nas
encostas e o e o sistema de drenagem. Em cada pixel da bacia foi calculado utilizando-se o IC
os valores de conectividade partindo dos componentes de montante e jusante conforme a
Equação 2.
𝐼𝐶𝑘 = 𝑙𝑜𝑔10 (𝐷𝑢𝑝,𝑘
𝐷𝑑𝑛,𝑘) = 𝑙𝑜𝑔10 (
𝑊𝑘̅̅ ̅̅ . �̅�𝑘. √𝐴𝑘
∑𝑑𝑖
𝑊𝑖 . 𝑆𝑖 𝑖=𝑘,𝑛𝑘
) (2)
Em que:
Wk – fator médio de ponderação da área de contribuição à montante (adimensional);
Sk – gradiente de inclinação média da área de contribuição à montante (m.m-1);
Ak – área de contribuição à montante (m²);
di – comprimento da célula i ao longo do caminho descendente (m);
Wi – valor de peso da célula i (adimensional);
Si – gradiente de declividade da célula i (m.m-1).
O índice pode variar de +∞ a -∞, sendo a conectividade aumentada quando o IC
tende a +∞. Para a aplicação do índice foi necessário a classificação dos tipos de uso e
ocupação do solo da bacia parâmetro este que foi retirado dos resultados de Creutzfeldt
(2006) (Figura 6).
29
Figura 6: Mapa do uso e ocupação do solo da Bacia Representativa do Bengué (BRB).
Fonte: Creutzfeldt (2006) adaptado.
O esquema de classificação do uso do solo foi baseado em sistemas de
classificação comuns ao Bioma Caatinga e em dados de uso do solo no Nordeste Brasileiro. O
autor desenvolveu uma combinação de classificação não-supervisionada (ISODATA) e
classificação supervisionada (Máxima Verossimilhança) aplicado a imagens multiespectrais.
Após o processamento dos resultados obteve-se um mapa representativo das 12 classes de uso
do solo da Bacia Representativa do Bengué, a saber: 1) Corpos d’água permanente, 2) Corpos
d’água perenes, 3) Agricultura, 4) Agropecuária, 5) Caatinga arbórea-arbustiva conservada, 6)
Caatinga arbórea-arbustiva perturbada, 7) Floresta seca decídua, 8) Vegetação de tabuleiro
conservada, 9) Vegetação de tabuleiro dessecada, 10) Vegetação de tabuleiro em regeneração,
11) Área urbana e 12) Estradas e solo exposto. Os dados de uso e ocupação do solo foram
também inseridos como uma variável categórica no modelo de modelo de predição.
30
3.3.4 Obtenção e processamento de Imagens TM-Landsat 8
As imagens foram obtidas do portal do Serviço Geológico dos Estados Unidos
(USGS) disponível em: https://www.usgs.gov, estas possuem uma resolução espacial de 30
metros, resolução radiométrica de 16 bits, e temporal de 16 dias. Para representar o domínio
territorial da bacia estudada foi obtida imagem referente a data da passagem do satélite em 07
de abril de 2017, sendo caracterizada pela órbita e ponto 217/65 e com cobertura de nuvens
inferior a 10%. O satélite possui 11 bandas que foram caracterizadas na Tabela 4. Foram
avaliadas individualmente as bandas 1 a 6 buscando-se identificar correlações com os teores
de COS.
Tabela 4: Descrição das bandas do satélite TM-Landasat 8.
Banda Sensor Faixa espectral
(ꭎm) Faixa no visível
Resolução espacial
(m)
1 OLI 0,43-0,45 Aerossol 30
2 OLI 0,45-0,51 Azul 30
3 OLI 0,53-0,59 Verde 30
4 OLI 0,64-0,67 Vermelho 30
5 OLI 0,85-0,88 Vermelho próximo 30
6 OLI 1,57-1,65 (SWIR) 30
7 OLI 2,11-2,29 (SWIR) 30
8 OLI 0,50-0,68 Pancromático 15
9 OLI 1,36-1,38 Cirrus 30
10 TIRS 10,60-11,19 (LWI) 100
11 TIRS 11,50-12,51 (LWI) 100 Fonte: USGS.
Legenda: Infravermelho de onda curta (SWIR); Infravermelho de onda longa (LWI)
Para a representação da densidade vegetacional e das classes de solo utilizou-se o
Normalized Diference Vegetation Index (NDVI) ou índice de vegetação normalizada.
Proposto por Rouse et al. (1973) realiza a normalização dos dados espectrais das bandas do
infravermelho e do infravermelho próximo, e apesar de ter sido um dos primeiros índices
desenvolvidos, por ter seu uso comprovado, é um dos mais utilizados na análise de
degradação da vegetação esparsa (RAMOS et al., 2010), identificação de classes de solo e da
cobertura vegetal (ROCHA et al., 2013; KE et al., 2015). O NDVI normaliza os dados para o
intervalo de +1 a -1, em que se observa nas áreas de intensa vegetação a aproximação do
patamar superior e em espelhos d’água a aproximação do patamar inferior. O índice é obtido
através da Equação 3.
31
𝑁𝐷𝑉𝐼 =𝑁𝐼𝑉 − 𝑅𝐸𝐷
𝑁𝐼𝑉 + 𝑅𝐸𝐷 (3)
Em que:
NIV: valor da reflectância da banda no Infravermelho próximo;
RED: valor de reflectância da banda no vermelho.
3.4 Modelo de predição
O conjunto de variáveis preditoras (climáticas, topográficas, categóricas e obtidas
através do processamento de imagens do Landsat-8) foram agrupadas em um banco de dados.
Os procedimentos de classificação foram desenvolvidos usando o software R (R Development
Core Team, 2013). A predição pela árvore de regressão foi realizada utilizando o pacote
“rpart” (THERNEAU et al., 2012) e o script também fornecido pelos autores, este
implementa o procedimento CART (Classification and Regression Trees) proposto por
Breiman (1984) que consiste em uma partição recursiva binária. O modelo apresenta como
principais características: a definição de um conjunto de regras para cada nó da árvore, o
modelo decide quando cada árvore está completa e associa cada nó terminal a uma classe ou
valor de predição.
Conforme a metodologia utilizada por Yang et al. (2015) foram criados três
modelos com diferentes combinações de preditores, o primeiro modelo composto por todas as
variáveis preditoras (M1), o segundo modelo composto pelas variáveis topográficas e
climáticas (M2), e o terceiro modelo composto pelo resultado do processamento das imagens
dos sensores orbitais (M3). Para a construção do modelo utilizou-se os dados referentes aos
48 pontos de coleta da área de estudo (BRB) e seus respectivos dados de variáveis ambientais
preditoras, posteriormente utilizou-se os 12 pontos da área de validação (BEA) para verificar
a qualidade de predição do modelo em uma escala menor. Os fluxogramas dos modelos são
fornecidos na Figura 7.
32
Figura 7: Árvores de regressão geradas para os três modelos de predição do COT dos solos
da BRB a partir da interação de diferentes variáveis preditoras.
Fonte: Autor.
Legenda: M1 – modelo de predição 1 composto por todas as variáveis preditoras; M2 – modelo de predição 2
composto pelas variáveis topográficas e climáticas; M3 – modelo de predição 3 composto pelas bandas do
Landsat-8 e pelo NDVI; b5 – Banda cinco do Landsat-8; b4 – banda quatro do Landsat-8; X – Latitude e Y –
Longitude em metros.
No M1 e M3 observa-se os valores da banda 5 do Landsat-8 como a variável a
partir da qual se constrói o modelo, a partir desta se formam os nós, no M1 tem-se a
precipitação conduzindo o modelo. No caso dos modelos M2 e M3 observa-se nós terminais
que recebem a influência relativa de vários fatores e originaram os nós terminais. As árvores
são ao término do processo reduzidas a um conjunto de regras de predição baseada em
modelos de regressão ajustados para minimizar o erro absoluto (MINASNY; MCBRATNEY,
2008).
3.5. Analise estatística e validação dos modelos
Os dados de carbono e granulometria dos solos coletados e as variáveis preditoras
foram submetidos a estatística descritiva (média, erro padrão, Skewness Kurtose) para sua
caracterização. Para a determinação das correlações lineares entre o COS e as variáveis
33
preditoras utilizou-se a análise de correlação de Spearman que avalia a relação monotônica
entre variáveis, neste caso estas tendem a mudar juntas, mas não a uma taxa constante. Os
modelos de predição foram submetidos a uma poda dos dados a partir da exclusão dos dados
que apresentaram altos valores de desvio padrão, para isso realizou-se a distribuição dos
desvios na área de coleta para a identificação dos outliers. Após a poda atribuiu-se aos
modelos uma representatividade de 90% da realidade de campo, estes foram denominados de
M1_90, M2_90 e M3_90 para os modelos rodados na BRB e M1_90v, M2_90v e M3_90v
para os modelos na área de validação a BEA.
No que diz respeito a análise do desempenho dos modelos de predição foram
utilizados os seguintes índices:
Erro médio de predição absoluto (EMA):
Visa avaliar o viés de predição médio, sendo obtido através da diferença entre o
dado previsto e o observado dividido pelo número de observações. Em uma predição perfeita
será obtido um resultado igual a zero (Equação 4).
EMA =1
n ∑ |𝑃𝑖 − 𝑂𝑖|
𝑛
𝑖=1
(4)
Em que:
Pi = valores previstos;
Oi = valores observados;
n = número de observações.
Raiz do erro quadrático médio (REQM):
Mede a qualidade geral da predição indicando o grau de similaridade entre os
dados observados e preditos sendo a predição ideal igual a zero. O REQM possui maior
sensibilidade a valores extremos (Equação 5).
REQM = √1
𝑛∑(𝑃𝑖 − 𝑂𝑖)²
𝑛
𝑖=1
(5)
Em que:
Pi = valores previstos;
Oi = valores observados;
34
n = número de observações.
Coeficiente de determinação (R2):
O índice mede a força da relação linear entre os valores previstos e observados,
demonstrando ainda a porcentagem da variação da variável (eis) predita (s) é explicada pela
variação da (s) variável (is) preditora (s) (Equação 6).
R2 =∑ (𝑃𝑖 − �̅�𝑖)𝑛
𝑖=12
∑ (𝑂𝑖 − �̅�𝑖)𝑛𝑖=1
2 (6)
Pi = valores previstos;
Oi = valores observados;
O̅= média dos valores observados;
P̅ = média dos valores previstos;
n = número de observações.
Coeficiente de Nash e Sutcliffe (NSE):
Mede a variabilidade entre duas variáveis, este é expresso em valores entre -∞ a 1,
observando se com o valor igual a 1 um perfeito ajuste do modelo. Quando se observar
valores maiores que 0,75 para o NSE é indicativo de um modelo de bom desempenho, valores
entre 0,36 e 0,75 o modelo é considerado aceitável, enquanto valores inferiores a 0,36
indicam um modelo inaceitável (NASH & SUTCLIFFE, 1970). Quando os valores obtidos
forem inferiores a zero indicam que os valores médios da série de dados é um melhor
indicador que os dados obtidos utilizando o modelo (Equação 7).
NSE = 1 − [∑(Pi − Oi)
2
∑(O𝑖 − O̅m)2] (7)
Em que:
Pi = valores previstos;
Oi = valores observados;
�̅�𝑚 = média dos valores observados;
35
4. RESULTADOS E DISCUSSÃO
4.1 Teor de carbono orgânico do solo e sua relação com os preditores:
O teor médio de carbono orgânico total (COT) na camada de 0-0,2 m nos solos da
Bacia Representativa do Bengué pode ser observado na Tabela 5, assim como a descrição das
demais variáveis preditoras.
Tabela 5: Sumário estatístico dos atributos obtidos através das amostras de solos e dos dados
atribuídos as variáveis preditoras nos pontos de coleta.
Natureza Atributo Unidade �̅� Min Max σ Erro
padrão Skewness Kurtose
Solo
COT g.kg-1 9,73 2,43 32,73 5,56 0,80 1,63 7,18
Argila g.kg-1 208,80 27,00 383,00 106,35 15,51 -0,21 1,71
Topografia
Declividade % 6,53 0,83 17,33 4,40 0,64 0,83 2,72
Aspecto Graus 170,97 0,58 358,91 104,10 15,03 0,24 1,99
Índice de
Borselli - 0,94 -3,85 3,05 1,49 0,22 -1,20 5,00
Clima Precipitação
mm.
ano-1 564 511 635 41,42 6,04 0,55 1,96
Landsat
TM
B1 Número
digital 10613 9574 16543 1428,05 208,30 2,97 11,59
B2 || 9749 8563 16131 1545,89 225,49 2,80 10,77
B3 || 9663 7644 15363 1683,84 245,61 1,75 5,90
B4 || 8884 6706 15630 2258,26 329,40 1,59 4,62
B5 || 15010 7447 22633 2941,47 429,06 0,19 3,83
B6 || 20754 10233 28395 2961,45 431,97 -0,91 6,06
NDVI - 0,26 0,05 0,33 0,06 0,01 -1,54 4,85
Fonte: Autor. COT: carbono orgânico total; �̅�: média das amostras; σ: desvio padrão; NDVI: Índice de Vegetação
por Diferença Normalizada.
O valor médio de 9,73 g.kg-¹ de COT dos solos da BRB é baixo em relação aos
valores obtidos por Nobre et al. (2015) que estudando o COT nas camadas de 0-0,05 m, com
variação dos teores não significativa em profundidade, em três diferentes fitofisionomias na
floresta nacional do Araripe-CE obtiveram na primeira fitofisionomia (Brejo de Altitude) os
valores de 34,27 g.kg-1 na estação chuvosa e de 51,27 g.kg-1 na estação seca, na segunda
fitofisionomia (Carrasco) encontraram na estação chuvosa 27,62 g.kg-1 e na seca 27,27 g.kg-1.
A fitofisionomia que ofereceu resultados mais próximos dos obtidos neste estudo foi o
Cerradão que apresentou valores de 14,97 g.kg-1 no período chuvoso e 21,97 g.kg-1 no período
seco. A terceira fitofisionomia é caracterizada por possuir árvores de até 15 metros de altura e
36
dossel continuo além da ausência de gramíneas (VELOSO et al. 1991). Os valores de COT
mais baixos encontrados no período chuvoso se devem a dinâmica diferenciada de input e
output condicionado pela vegetação do bioma. O COT apresenta alta correlação com a
serrapilheira (LOURENÇO et al., 2017) e esta tem sua deposição determinada pelo
comportamento caducifólio da vegetação da Caatinga, que em decorrência disso apresenta as
maiores taxas de produção mensal de serrapilheira ao término do período chuvoso (LOPES et
al., 2009). As amostras de solos para a obtenção do COT no presente estudo foram coletadas
no período chuvoso o que pode ter contribuído para os valores baixos obtidos.
Dentre os fatores que se relacionam com a distribuição do carbono temos a
vegetação, os maiores teores de COT encontrados nos solos do Ceará são atribuídos a unidade
fitoecológica caracterizada como Caatinga arbustiva com 43,7%, seguida da Caatinga arbórea
com 29,4%, os menores teores foram observados para as unidades de Carrasco e Cerradão
(NOBREGA, 2013), ainda segundo o autor estes resultados são atribuídos principalmente as
maiores extensões territoriais das unidades na área do estado.
Outro aspecto a ser considerado na determinação dos baixos teores de COT é a
granulometria dos solos, estes apresentaram em média teores de argila inferiores a 25%, que
contribui para diminuição da estabilidade da matéria orgânica beneficiando a atividade
microbiológica no solo e acelerando a ciclagem do carbono (LAL, 2005). O maior diâmetro
das frações granulométricas possui uma correlação negativa com a área de superfície
específica, a densidade de cargas e a formação de ligações organo-minerais, o que torna as
partículas minerais mais expostas a decomposição no solo (TORN et al., 1997).
As correlações lineares entre o COT e as variáveis preditoras quantitativas podem
ser observadas na Tabela 6.
Tabela 6: Analise da correlação de Sperman entre o COT e as variáveis ambientais preditoras
baseado nas amostras da Bacia Representativa do Bengué.
COT Argila Declividade Aspecto Índice de Borselli Precipitação B1 B2 B3 B4 B5 B6
Argila 0.24
Declividade -0.04 -0.04
Aspecto 0.08 0.19 -0.36
Índice de Borselli 0.13 0.10 0.28 -0.05
Precipitação 0.38 0.61 -0.37 0.35 -0.06
B1 -0.57 -0.16 0.21 -0.09 -0.36 -0.22
B2 -0.56 -0.12 0.23 -0.11 -0.35 -0.21 0.99
B3 -0.52 -0.24 -0.09 -0.09 -0.31 -0.32 0.92 0.93
B4 -0.51 -0.03 0.28 -0.09 -0.35 -0.17 0.94 0.96 0.94
B5 -0.56 -0.13 0.23 -0.11 -0.37 -0.18 0.93 0.95 0.93 0.96
B6 -0.21 -0.55 0.20 -0.06 0.00 -0.43 0.33 0.35 0.55 0.35 0.41
NDVI -0.11 -0.32 -0.14 -0.09 0.28 -0.13 -0.16 -0.16 -0.12 -0.21 -0.03 0.39
37
Fonte: Autor. COT: carbono orgânico total; NDVI: Índice de Vegetação por Diferença Normalizada; Correlações
significativas entre duas variáveis com valores de P < 0,05 estão representadas em negrito.
O COT apresentou correlação positiva significativa com a precipitação (0.38) um
dos preditores empregados no modelo de predição 1 e 2, corroborando com os resultados de
Yang et al. (2015). As correlações observadas entre as bandas do satélite Landsat-8 com os
teores de COT foram todas significativas, exceto para a banda 6. O outro parâmetro que
compõe o grupo de variáveis do modelo 1 e 3, obtidas através de geoprocessamento, o NDVI
não apresentou correlação significativa com o COT o que difere dos resultados obtidos por
Yang et al. (2015) que observaram uma correlação de 0,79 entre o NDVI e o COT em estudos
desenvolvidos em ambiente Alpino. A ausência de correlação entre a variável se assemelha
aos resultados obtidos por Song et al. (2016) que obtiveram uma correlação negativa não
significativa de -0,123 para estes parâmetros quando estudavam sua correlação na bacia
hidrográfica Heihe na China.
4.2 Conteúdo de COT predito
A distribuição das variáveis ambientais e obtidas através de geoprocessamento
utilizadas nos modelos de predição pode ser observada na Figura 8.
38
Figura 8: Mapeamento das variáveis preditoras utilizadas para a construção das árvores de
regressão para a predição do COT na Bacia do Bengué.
Fonte: Autor.
Legenda: A – Aspecto em graus; B – Declividade (%); C – Precipitação (mm.ano-1); D – Argila (g.kg-1); E –
Índice de conectividade de Borselli; F – Uso e ocupação do solo; G – Composição das bandas do Landsat TM 8;
H – Índice de Vegetação por Diferença Normalizada (NDVI).
39
Os três modelos de árvore de regressão foram ajustados para a predição dos teores
de COT sendo alimentados com dados das variáveis preditoras extraídas para cada ponto de
amostragem do solo conforme sua distribuição espacial (Figura 7), estes partem da média dos
valores observados em campo e a partir das influências relativas das variáveis preditoras
selecionadas vão gerando os nós de predição através de modelos lineares intermediários, nos
nós terminais se encontram os modelos de regressão.
As interações entre as variáveis preditoras e o COT que definem as suas
influências relativas no modelo podem ser observadas na Figura 9.
Figura 9: Interação entre as variáveis preditoras e sua influência relativa, obtido através do
coeficiente de determinação (R²), na predição do COT para a camada de 0-0,20 m.
Fonte: Autor.
Legenda: M1 – modelo de predição 1; M2 – modelo de predição 2; M3 – modelo de predição 3; b1 a b6 –
Bandas do Landsat-8; X – Latitude; Y – Longitude; COT – carbono orgânico total; NDVI – Índice de Vegetação
Por Diferença Normalizada.
40
O M1 apresenta uma interação positiva entre o COT e os parâmetros teor de
argila, precipitação, uso do solo e o Índice de Borselli, além de interações negativas com a
longitude dos pontos de coleta e as bandas do Landsat-8. No M2 observa-se apenas interações
entre a precipitação e o Índice de Borselli positivas e negativas com a longitude. No M3 há
correlações negativas com todas as bandas do Landsat-8 sendo o segundo modelo a apresentar
mais interações. O número de variáveis e a interação entre estas e a variável dependente
(COT) determinam a qualidade do modelo de predição sendo, portanto, o modelo com maior
número de preditores e interações o que teoricamente deve apresentar melhores valores para a
predição.
As boas relações de interação entre o COT e as imagens do Landsat-8 também
observadas por Yang et al. (2015) foram atribuídas a afinidade que as imagens possuem com
fatores ecológicos, entre estes principalmente os padrões de vegetação. Os estoques e padrões
de distribuição de C orgânico e inorgânico na camada superficial do solo estudados na
Mongólia e no Planalto Tibetano na China por Shi et al. (2012) tiveram sua dinâmica
atribuída principalmente aos processos bióticos do solo que se refletem na vegetação e podem
ser captados indiretamente pelas bandas das imagens multiespectrais do Landsat-8.
A utilização de variáveis topográficas na construção de modelos mostrou-se
promissora nos estudos de Huang et al. (2007) quando associaram os dados de reflectância do
Landsat-5 com os dados topográficos através de equações de regressão múltipla e obtiveram
uma melhoria de 43% para 60% de correlação entre os dados observados e preditos de
carbono total. Esperava-se uma correlação mais significante entre o COT e as variáveis
topográficas neste estudo visto a relação existente entre características como relevo,
declividade e aspecto da vertente do relevo na dinâmica dos processos de produção de
biomassa e no desenvolvimento dos solos. As florestas tropicais se caracterizam por
normalmente terem as variações nas propriedades do solo e consequentemente na distribuição
das comunidades vegetais diretamente relacionadas as caraterísticas topográficas
(BOHLMAN et al., 2008; GUERRA et al., 2013). Sendo a deposição de fitomassa e a
produção de compostos radiculares as principais fontes de entrada de carbono orgânico nos
solos, e estes são definidos pela densidade vegetacional e sua distribuição, uma correlação
significativa entre estas variáveis e o COT dos solos da BRB era esperada, entretanto os
resultados obtidos podem ser atribuídos a uma distribuição de pontos de coleta que não foram
representativos da dinâmica topográfica da bacia em sua totalidade, em decorrência talvez do
efeito do uso do índice de Borselli para a seleção dos pontos amostrais ter encoberto o efeito
da topografia sobre os teores de carbono no solo.
41
A distribuição dos valores de COT calculados pelos três modelos de predição
podem ser observados na Figura 10.
Figura 10: Distribuição espacial do carbono orgânico total na camada (0-0,2 m) estimado
através dos modelos de predição para a Bacia Representativa do Bengué (BRB).
Fonte: Autor.
42
Legenda: M1 – modelo de predição 1 composto por todas as variáveis preditoras; M2 – modelo de predição 2
composto pelas variáveis topográficas e climáticas; M3 – modelo de predição 3 composto pelas bandas do
Landsat-8 e pelo NDVI; COT – carbono orgânico total.
Ambos os modelos apresentaram boa representação da distribuição espacial do
COT quando se destaca a região de maior heterogeneidade de valores. O M1 consegue
representar uma maior região com concentrações mais elevadas de COT, entretanto M1 e M2
conseguem distribuir melhor na área da bacia os valores intermediários de COT. As diferenças
entre os valores mais baixos são também melhores representados nas distribuições M1 e M2.
Os valores preditos em cada local da bacia são dependentes dos valores das variáveis
preditoras utilizadas em cada modelo e presentes no local.
A aplicação dos modelos para a predição dos teores de COT na camada de 0-0,20
m tanto no local de estudo como no local de validação foram submetidos a índices para a
avaliação de seu desempenho na predição e os resultados podem ser observados no Gráfico 1.
Gráfico 1: Resumo estatístico da avaliação da qualidade dos modelos aplicados para a
predição do COT na camada de solo de 0-0,20 m.
Fonte: Autor.
Legenda: BRB – Bacia Representativa do Bengué; BEA – Bacia Experimental de Aiuaba; M1 – modelo de
predição 1 composto por todas as variáveis preditoras; M2 – modelo de predição 2 composto pelas variáveis
topográficas e climáticas; M3 – modelo de predição 3 composto pelas bandas do Landsat-8 e pelo NDVI;
M1_90, M2_90 e M3_90 – modelos de predição após a remoção dos dados outliers, sendo representativos de
43
90% das observações; EMA – Erro Médio de Predição Absoluto; REQM – Raiz do Erro Quadrático Médio; R² -
Coeficiente de determinação; NSE - Coeficiente de Nash e Sutcliffe.
Ambos os modelo apresentaram erros de predição absoluto próximos a zero na
área de estudo, e apresentaram valores maiores de erro quando estes foram aplicados para a
predição no local de validação, sendo os menores erros observados em M1 e M3 na BRB, e
M2 na BEA. Em relação ao REQM os modelos apresentaram valores elevados tanto na área
de estudo como na de validação, isto pode ser atribuído a maior sensibilidade do índice a
valores extremos, indicando a presença de valores outliers que estão comprometendo a
qualidade de predição dos modelos. O NSE negativo apresentado por ambos os modelos os
descartariam como viáveis a utilização para a predição de COT tanto para o local de estudo
com para o local de validação.
Diante dos resultados optou-se por realizar uma poda dos modelos de predição
desenvolvidos eliminando-se os valores outliers e atribuindo aos modelos com isso a
representatividade de 90% da realidade de campo. A distribuição do desvio padrão dos pontos
de coleta de COT podem ser observados na Figura 11. A partir da verificação da discrepância
destes dados em relação à média selecionou-se os outliers que foram eliminados dos modelos.
Em seguida submeteu-se novamente os modelos aos índices de avaliação da qualidade
preditiva.
Figura 11: Distribuição espacial do desvio padrão dos teores de carbono nos pontos amostrais
na BRB.
44
Fonte: Autor.
Obteve-se uma melhoria do desempenho de predição para M1, M2 e M3 na área
de estudo de 31,29%, 29,76% e 31,46% e para a área de validação de 17,66%, 21,38% e 16%
respectivamente. Neste caso os valores dos índices de qualidade de predição passam a
assemelhar-se aos obtidos por Adhikari et al. (2014) que avaliando a aplicação de técnicas
digitais de mapeamento do solo e predição dos estoques de COT na Dinamarca obtiveram
valores de REQM e R² para a área de treinamento do modelo de 0,22 e 0,61 e para a área de
validação 0,41 e 0,22 respectivamente. Quando se comparou as diferenças de dois modelos de
predição o BRT (Boosted Rgression Tree) e o RF (Random Forest) na determinação do COT
(0-0,20 m) nos solos do platô tibetano na China Yang et al. (2016) obtiveram para o BRT
valores de R², EMA e REQM de 0,71, 0,37 e 0,49, e para o RF 0,67, 0,37 e 0,49
respectivamente.
Os valores de NSE para a área de estudo a BRB tornaram-se positivos, entretanto
na área de validação (BEA) apesar da poda dos outliers estes ainda se mantiveram negativos
mostrando a inadequação do modelo de predição para a área de validação. A inadequação dos
modelos para predição na área de validação pode ser atribuída a distribuição espacial dos
pontos coletados em campo, estes possuem uma localização muito próxima definida em
função do índice de conectividade de Borselli e, portanto, podem não ser suficientes para
perceber as variações no espaço das variáveis preditoras do modelo, resultado em dados de
predição não representativos da realidade.
Em relação aos baixos valores de qualidade de predição obtidos para o modelo
inicial, o seu desajuste anteriormente a poda não pode ser atribuída ao tamanho da área
representada por cada ponto, pois em estudos desenvolvidos por Santos et al. (2009) e Rozane
et al. (2011) obtiveram-se resultados em que a variabilidade de características químicas do
solo, como a Matéria Orgânica, pouco se alterou com a diminuição da área de estudo e com o
número de unidades amostrais, portanto o erro de predição dos modelos em decorrência da
presença de dados não representativos pode ser atribuída a falhas na seleção de pontos e na
coleta de solo. O critério para a seleção dos pontos parte de um índice que realiza uma
predição dos valores de conectividade da bacia partindo de características observadas nesta,
talvez a utilização do índice para a seleção dos pontos tenha mascarado algumas correlações
que já são há muito aceitas pela literatura dificultando a predição eficiente do modelo.
Em relação aos valores de EMA, REQM e NSE para os modelos M1 e M3 foram
bastante semelhantes demonstrando o potencial do M3, constituído da reflectância das bandas
do Landsat-8 e do NDVI, em predizer o COT. Os resultados corroboram com os de Yang et al.
45
(2015) demonstrando a praticidade da utilização de imagens multiespectrais para a
determinação de COT com precisão razoável também para área de Caatinga.
Os valores de R² sugerem que os modelos M1 e M3 podem predizer com uma
correlação de 75%, em relação aos dados observados em campo, os teores de COT da camada
de 0-0,20 m dos solos de uma bacia hidrográfica no bioma Caatinga, não sendo observadas
diferenças significativas entre os dados preditos pelo modelo constituído por todas as
variáveis preditoras e aquele composto apenas pelos dados obtido através de imagens de
satelite. As correlações podem ser observadas na Figura 12. Yang et al. (2015) e Zang et al.
(2014) sugeriram transformações com o logaritmo natural nos dados de COT para satisfazer
as condições de normalidade dos dados.
Figura 12: Matriz da correlação entre os teores de COT observados e obtidos através dos
modelos de predição na área da Bacia Representativa do Bengué.
Fonte: Autor.
46
Legenda: M1_90, M2_90 e M3_90 – modelos de predição após a remoção dos dados outliers, sendo
representativos de 90% das observações.
A correlação observada entre os teores de COT obtidos através do terceiro modelo
que é constituído apenas pelos dados do Landsat-8 demonstram a viabilidade da utilização do
modelo para a obtenção de dados de maneira rápida e com uma significante correlação entre
os dados preditos e os de campo, podendo-se, portanto, utilizar desta metodologia para o
manejo dos teores de COT no solo desta bacia hidrográfica.
Entretanto mais estudos necessitam ser desenvolvidos para verificar o
comportamento dos modelos nos diferentes períodos do ano, esta necessidade reside nas
complexas características do comportamento da vegetação do bioma Caatinga, que são
determinadas pela dinâmica climática da região. Como os modelos, em especifico aqueles
constituídos por dados de reflectância espectral de imagens de satélite, tem sua acurácia
atribuída as fortes correlações da vegetação com os teores de COT no solo (SHI et al., 2012;
YANG et al., 2015, 2016) é necessário, verificar a qualidade da predição obtida quando a
vegetação da Caatinga apresentar seu habito característico de caducifólia.
Jaber e Al-Quinna (2011) visando determinar os teores de COT em um ambiente
semiárido na Jordânia construíram um modelo de predição composto por seis bandas do
Landsat-TM através de regressão e obtiveram um valor de R² de 0,22, os autores atribuíram a
baixa acurácia do modelo a fraca correlação do COT com a reflectância das bandas de satélite.
O período característico da região semiárida em que cessa a quadra chuvosa é a principal
responsável pela ativação dos mecanismos das plantas da Caatinga de redução da
evapotranspiração através da perda de folhas, o que torna a vegetação, neste período,
semelhante a observada no estudo da Jordânia, com reduzida área foliar e portanto baixa
influência na reflectância das imagens de satélite, reforçando-se por tanto a importância do
desenvolvimento de mais estudos em diferentes períodos do ano para verificar a capacidade
dos modelos de predição do carbono orgânico do solo nos solos do bioma Caatinga sob a
influência dos diferentes arranjos ambientais determinados pelo comportamento da vegetação.
47
5. CONCLUSÕES
A partir da construção dos modelos de predição baseados em árvores de regressão
pode-se realizar a determinação dos teores de carbono orgânico total na camada de 0-0,20 m
para uma área característica de vegetação de Caatinga. A associação de variáveis ambientais
com imagens do satélite Landsat-8 se mostrou bastante promissora como ferramenta de
mapeamento e predição dos teores de COT.
O modelo de predição construído apenas com dados de reflectância de imagens
multiespectrais se mostrou tão adequado quanto o modelo completo na predição dos teores de
COT para os solos de uma bacia hidrográfica da Caatinga, se mostrando uma ferramenta
promissora para o manejo do COT neste bioma.
As principais variáveis que apresentaram influência nos modelos de predição
foram os dados de reflectância obtidos através das imagens multiespectrais, que refletem
principalmente a composição da vegetação e sua distribuição espacial, além dos dados de
precipitação que também determinam a dinâmica da vegetação, reafirmando a forte correlação
existente entre os teores de COT e a cobertura vegetal.
Através da avaliação da viabilidade dos modelos de predição observou-se uma
alta correlação entre os dados preditos e os observados no solo do bioma Caatinga, observou-
se também que não existem diferenças significativas entre a qualidade de predição do modelo
construído pela junção de variáveis ambientais, topográficas e obtidas através de
geoprocessamento, em relação ao modelo construindo apenas com os dados de imagens de
satélite, portanto conclui-se que as imagens multiespectrais podem ser utilizadas para o
mapeamento digital do carbono orgânico do solo numa bacia hidrográfica no bioma Caatinga.
48
REFERÊNCIAS
AB´SABER, A. N. O domínio morfoclimatico semi-árido das Caatingas brasileiras.
Geomorfologia, v.43, p.1-39. 1974.
ADHIKARI, K.; HARTEMINK, A. E.; MINASNY, B.; KHEIR, R. B.; GREVE, M. B.;
GREVE, M. H. Digital Mapping of Soil Organic Carbon Contents and Stocks in
Denmark. Plos One, [s.l.], v. 9, n. 8, 19 ago. 2014. Public Library of Science (PLoS).
http://dx.doi.org/10.1371/journal.pone.0105519.
AKSOY, E.; YIGINI, Y.; MONTANARELLA, L.. Combining Soil Databases for Topsoil
Organic Carbon Mapping in Europe. Plos One, [s.l.], v. 11, n. 3, 24 mar. 2016. Public Library
of Science (PLoS). http://dx.doi.org/10.1371/journal.pone.0152098.
ALMEIDA, B. G.; DONAGEMMA, G. K.; RUIZ, H. A.; BRAIDA, J. A.; VIANA, J. H. M.;
REICHERT, J. M. M.; OLIVEIRA, L. B.; CEDDIA, M. B.; WADT, P.; FERNANDES, R. B.
A.; PASSOS, R. R.; DECHEN, S. C. F.; KLEIN, V. A.; TEIXEIRA, W. G. Padronização de
Métodos para Análise Granulométrica no Brasil. Rio de Janeiro: Embrapa, 2012.
ANDRADE-LIMA, D. The caatingas dominium. Revista Brasileira de Botânica. v.4, p.
149-163, 1981.
ARAÚJO, A.S.F.; MELO, W.J. Soil microbial biomass in organic farming system. Ciência
Rural, v.40,p.2419-2426, 2010.
ARROUAYS, D.; VION, I.; KICIN, J.L. Spatial analysis and modeling of topsoil carbon
storage in temperate forest humic loamy soils of France. Soil Science. v.159, p.191–198.
1995.
BERNARDI, A. C. de C. et al. Carbon and nitrogen stocks of an arenosol under irrigated
fruit orchards in semiarid Brazil. Scientia Agricola, Piracicaba, v. 64, n. 2, p.169-175, mar.
2007.
BHERING, S. B.; CHAGAS, C. da S.; CARVALHO JUNIOR, DE W.; PEREIRA, N. R.;
CALDERANO FILHO, B.; PINHEIRO, H. S. K. Mapeamento digital de areia, argila e
carbono orgânico por modelos Random Forest sob diferentes resoluções espaciais. Pesquisa
Agropecuária Brasileira, [s.l.], v. 51, n. 9, p.1359-1370, set. 2016. FapUNIFESP (SciELO).
http://dx.doi.org/10.1590/s0100-204x2016000900035.
BOHLMAN, S. A.; LAURANCE, W. F.; LAURANCE, S. G.; NASCIMENTO, H. E. M.;
FEARNSIDE, P. M; ANDRADE, A. Importance of soils, topography and geographic distance
in structuring central Amazonian tree communities. Journal of Vegetation Science. v.19, n.6,
p.863-874. 2008.
BONFATTI, B. R.; HARTEMINK. A. E.; GIASSON, E.; TORNQUIST, C. G.; ADHIKARI,
K. Digital mapping of soil carbon in a viticultural region of Southern Brazil. Geoderma,
[s.l.], v. 261, p.204-221, jan. 2016. Elsevier BV.
http://dx.doi.org/10.1016/j.geoderma.2015.07.016
BORSELLI, L.; CASSI, P.; TORRI, D. Prolegomena to sediment and flow connectivity in the
49
landscape: a GIS and field numerical assessment. Catena, v.75, n.3, p.268-277, 2008.
BREIMAN L., FRIEDMAN J., STONE C. J. E OLSHEN R. A. Classification and
Regression Trees, [s.l], Chapman and Hall, 1984.
CARVALHO, V.C.D.; JÚNIOR, O.J.P. Mapeamento semidelhado da cobertura vegetal das
áreas de estudo, com uso de sensoriamento remoto e sisteme geográfico de informações. São José dos Campos, INPE, 2004.
CAVALCANTE, J.C.; FERREIRA, C.A. Mapa Geológico do Estado do Ceará (Escala
1:500000). Fortaleza, Ministério das Minas e Energia, 1983.
CHAPELLE, O.;SCHÖLKOPF, B.; ZIEN, A. Semi-supervised learning. MIT Pres., 2006.
COSTA, A. C. Hidrologia de uma bacia experimental em caatinga conservada no
semiárido brasileiro. 2007. 167 f. Dissertação (Mestrado em engenharia civil), Universidade
Federal do Ceará, Fortaleza, 2007.
COSTA, C. A. G. Umidade do solo e disponibilidade hídrica na zona das raízes em
condições naturais de Caatinga preservada. 2012. Tese (Doutorado) - Engenharia Agrícola,
Universidade Federal do Ceará, Fortaleza, 2012.
COSTA, C. A. G.; LOPES, J. W. B.; PINHEIRO, E. A. R.; de ARAÚJO, J. C.; GOMES
FILHO, R. R. Spatial behaviour of soil moisture in the root zone of the Caatinga biome.
Revista Ciência Agronômica. v. 44, n. 4, p. 685-694, 2013.
CREUTZFELDT, B. N. A. Remote sensing based characterisation of land cover and
terrain properties for hydrological modelling in the semi-arid Northeast of Brazil. 2006.
104 f. Tese (Institut für Geoökologie), Universität Postdam, Postdam, 2006.
de ALMEIDA, C. L.; de ARAÚJO, J.C.; COSTA, M.C.G.; de ALMEIDA, A. M. M de
ANDRADE, E. M. Fallow Reduces Soil Losses and Increases Carbon Stock in Caatinga.
Floresta e Ambiente, [s.l.], v. 24, 2017. FapUNIFESP (SciELO).
http://dx.doi.org/10.1590/2179-8087.017516.
de ARAÚJO, J. C.; PIEDRA, J. I. G. Comparative hydrology: Analysis of a semiarid and a
humid tropical watershed. Hydrological Processes, v.23, p.1169-1179, 2009.
DIEKOW, J.; MIELNICZUK, J.; KNICKER, H.; BAYER, C.; DICK, D.P. & KÖGEL-
KNABNER, I. Carbon and nitrogen stocks in physical fractions of a subtropical Acrisol
as influenced by long-term no-till cropping systems and N fertilization. Plant Soil, v.268,
p.319-328, 2005.
DRUCK, S.; CARVALHO, M.S.; CÂMARA, G.; MONTEIRO, A.V.M. (eds). Análise
Espacial de Dados Geográficos. Brasília, EMBRAPA, 2004.
ELITH, J.; LEATHWICK, J. R.; HASTIE, T.. A working guide to boosted regression
trees. Journal of Animal Ecology, [s.l.], v. 77, n. 4, p.802-813, jul. 2008. Wiley-Blackwell.
http://dx.doi.org/10.1111/j.1365-2656.2008.01390.x.
EMBRAPA. Manual de métodos de análise de solos. Org: DONAGEMA G,K; [et al...]. —
50
Dados eletrônicos. — Rio de Janeiro : Embrapa Solos.2011.
ESWARAN, H.; VAN DEN BERG, E.; REICH, P. Organic carbon in soils of the world. Soil
Science Society of America Journal. v.57, p. 192–194, 1993.
FITTER, A. H.; HAY, K. Environmental physiology of plants. 3. ed. San Diego, Academic
press, 2002.
GAISER, T.; KROL, M.; FRISCHKORN, H.; de ARÁUJO, J.C. (Ed.), Global Change and
Regional Impacts: Water Availibility and Vulnerability of Ecosystems and Society in the
Semiarid Northeast of Brazil. Berlin , Springer, 2003.
GALLANT, J. C.; WILSON, J. P. Primary topographic attributes. In: WILSON, J. P. [s.l.],
Wiley & Sons. p.51-85. 2000.
GIBBS, H; YUI, S; PLEVIN, R. New Estimates of Soil and Biomass Carbon Stoks for Global
Economic Models. GTAP Technical Paper. 31p. 2014.
GIONGO, V. et al. Estoque de carbono no sistema solo em uma área referência do semiárido.
In: CONGRESSO BRASILEIRO DE CIÊNCIA DO SOLO, 33., 2010,
Uberlândia. Anais.... Uberlândia: Sbcs, 2010.
GIULIETTI, A.M., et al. Diagnóstico da vegetação nativa do bioma Caatinga. In: J.M.C.
Silva, M. Tabarelli, M.T. Fonseca & L.V. Lins (orgs.). Biodiversidade da Caatinga: áreas e
ações prioritárias para a conservação. Brasília, Ministério do Meio Ambiente, p. 48-90.
2004.
GREGORICH, E.G.; CARTER, M.R.; ANGERS, D.A.; MONREAL, C.M.; ELLERT, B.H.
Toward minimum data set to assess soil organic-matter quality in agricultural soils. Canadian
Journal of Soil Science. v.74, p.885–901. 1994.
GUERRA, T. N. F.; RODAL, M. J. N.; LINS E SILVA, A. C. B.; ALVES, M.; SILVA, M. A.
M.; MENDES, P. G. A. 2013. Influence of edge and topography on the vegetation in an
Atlantic Forest remnant in northeastern Brazil. Journal of Forest Research. v.18, n.2, p. 200-
208.
HARTEMINK, A. E.; MINASNY, B. Towards digital soil morphometrics. Geoderma, [s.l.], v.
230-231, p.305-317, out. 2014. Elsevier BV.
http://dx.doi.org/10.1016/j.geoderma.2014.03.008.
HÖFIG, P.; GIASSON, E.; VENDRAME, P.R.S. Mapeamento digital de solos com base na
extrapolação de mapas entre áreas fisiograficamente semelhantes. Pesquisa Agropecuária
Brasileira, v.49, p.958-966, 2014. DOI: 10.1590/S0100-204X2014001200006.
HUANG, J.; JI, M.; XIE, Y.; WANG, S.; HE, Y.; RAN, J. Global semi-arid climate change
over last 60 years. Climate Dynamics, v. 46, n. 3, p. 1131–1150, 2015.
HUANG, X.W.; SENTHILKURNAR, S.; KRAVCHENKO, A.; THELEN, K.; QI, J.G. Total
carbon mapping in glacial till soilsusing near-infrared spectroscopy Landsat imagery and
topographical information. Geoderma. v.141, p. 34–42. 2007. doi:
51
10.1016/j.geoderma.2007.04.023.
IBGE. Instituto Brasileiro de Geografia e Estatística. Geoestatísticas de Recursos Naturais
da Amazônia Legal em 2003. Estudos e Pesquisas, Informações Geográficas no 8. Rio de
Janeiro, R.J. 2011.
JABER, S. M.; AL-QINNA, M. I. Soil organic carbon modeling and mapping in a semi-arid
environment using thematic mapper data. Photogramm Eng Rem S. v.77, p.709–719. 2011.
JAFARI, A.; KHADEMI, H.; FINKE, P. A.; VAN DE WAUW, J.; AYOUBI, S. Spatial
prediction of soil great groups by boosted regression trees using a limited point dataset in an
arid region, southeastern Iran. Geoderma, [s.l.], v. 232-234, p.148-163, nov. 2014. Elsevier
BV. http://dx.doi.org/10.1016/j.geoderma.2014.04.029.
JANZEN, B. The soil carbon dilemma: Shal we hoard it or use it? Soil Biology
Biochemistry v.38, p. 419-424. 2006.
KE, Y.; IM, J.; LEE, J.; GONG, H.; RYU, Y. Characteristics of Landsat 8 OLI-derived NDVI
by comparison with multiple satellite sensors and in-situ observations. Remote Sensing of
Environment, v.164, p. 298–313, 2015. doi: 10.1016/j.rse.2015.04.004
LAL, R. Forest soils and carbon sequestration. Forest Ecology and Management, v. 220, n.
1-3, p. 242-258, dez. 2005.
LI, M.; ZHANG, X.; ZHEN, Q.; HAN, F. Spatial Analysis of Soil Organic Carbon in
Zhifanggou Catchment of the Loess Plateau. Plos One, [s.l.], v. 8, n. 12, 27 dez. 2013. Public
Library of Science (PLoS). http://dx.doi.org/10.1371/journal.pone.0083061.
LOPES, H. S. S.; MEDEIROS, M. G DE.; SILVA, J. R.; MEDEIROS JÚNIOR, F. A.;
SANTOS, M. N. DOS.; BATISTA, O. B. Biomassa microbiana e matéria orgânica em solo de
Caatinga, cultivado com melão na Chapada do Apodi, Ceará. Revista Ceres, Viçosa, v. 59,
n.4, p. 565-570, jul/ago, 2012.
LOPES, J. F. B. et al. Deposição e decomposição de serapilheira em área da Caatinga.
Revista Agro@mbiente On-line, Boa Vista, v. 3, n. 2, p.72-79, 2009.
LOURENÇO, V. R.; PEREIRA, F. J. S.; TEIXEIRA, D. B. S.; TEIXEIRA, L. M. N.; COSTA,
C. A. G. Influência relativa dos parâmetros umidade e serrapillheira no teor de Carbono em
diferentes manejos da Caatinga. In: III Simpósio Brasileiro de Recursos Naturais do
Semiárido, 3. (III SBRNS), 2017, Fortaleza, CE. Anais. Fortaleza: MASSA, 2017.
LOURENÇO, V. R.; TEIXEIRA, D. B. de S.; COSTA, C. A. G. Atributos físicos e químicos
na avaliação da qualidade do solo sob diferentes condições de manejo. In: ENCONTRO
INTERNACIONAL DE JOVENS INVESTIGADORES - EDIÇÃO BRASIL, 3., 2017,
Fortaleza. Anais.... Fortaleza: Realize, 2017.
MAMEDE, G. L. Reservoir sedimentation in dryland catchments: modelling and
management. Tese (doutorado). 120 p. Mathematisch – Naturwissenschatlichen Fakultät der
Universität Potsdam. Potsdam, 2008.
52
MARTIN, M.P.; WATTENBACH, M.; SMITH, P.; MEERSMANS, J.; JOLIVET, C.;
BOULONNE, L.; ARRONAYS, D. Spatial distribuition of soil organic carbon stocks in
France. Biogeoscience. v.8, p. 1053-1065, 2011.
MCBRATNEY, A.B.; MENDONÇA-SANTOS, M.L.; MINASNY, B. On digital soil
mapping. Geoderma. v.117, p.32-52. 2003.
MCGRATH, D. A. et al. Effects of land-use change on soil nutrient dynamics in Amazônia.
Ecosystems, v.4, p.625-645, 2001.
MEDEIROS, P. H. A. Processos hidrossedimentológicos e conectividade em bacia
semiárida: modelagem distribuída e validação em diferentes escalas. Tese (Doutorado em
Recursos Hídricos) – Universidade Federal do Ceará, Fortaleza, 2009.
MELO, A. A. B.; VALLADARES, G. S.; CEDDIA, M. B.; PEREIRA, M.G.; SOARES, I.
Spatial distribution of organic carbon and humic substances in irrigated soils under different
management systems in a semi-arid zone in Ceará, Brazil. Semina: Ciências Agrárias, [s.l.],
v. 37, n. 4, p.1845-1857, 30 ago. 2016. Universidade Estadual de Londrina.
http://dx.doi.org/10.5433/1679-0359.2016v37n4p1845.
MENDONÇA SANTOS, M.; CATEN, A. Mapeamento Digital de Solos (MDS): avanços e
desafios. Boletim da sociedade brasileira de ciência do solo. v.40, n.2 , 2015.
MENDONÇA, E. de S.; MATOS, E. da S. Matéria orgânica do solo: métodos de análises.
Viçosa: UFV, 2005.
MINASNY, B.; MCBRATNEY, A.B. Regression rules as a tool for predicting soil properties
from infrared reflectance spectroscopy. Chemometr Intell Lab. v. 94, n.1, p.72–90. 2008.
MINASNY, B.; MCBRATNEY, A.B.; SANTOS, M.L.M.; ODEH, I.O.A.; GUYON, B.
Prediction and digital mapping of soil carbon storage in the Lower Namoi Valley. Aust. J. Soil
Resarch. v.44, p.22-33. 2006.
MISHRA, U.; LAL, R.; SLATER, B.; CALHOUN, F.; LIU, D.S.; VAN MEIRVENNE, M.
Predicting soil organic carbon stock using profile depth distribution functions and ordinary
Kriging. Soil Science. v.73, p. 614–621. 2009.
MITAS, L.; MITASOVA, H. Spatial Interpolation. In: P.LONGLEY, M.F. GOODCHILD, D.J.
MAGUIRE, D.W.RHIND (Eds.), Geographical Information Systems: Principles,
Techniques, Management and Applications. Wiley, 1999.
MÜLLER, E.N.; FRANCKE, T.; MAMEDE, G.; BATALLA, R. J.; DE ARAUJO, J.C.;
GÜNTNER, A.; BRONSTERT, A. SESAM – Sediment Export from large Semi-Arid
Catchments: Measurement and Modelling. Annual Report, University of Potsdam, Potsdam.
2005.
NASH, J. E.; SUTCLIFFE, J. V. "River flow forecasting through conceptual models part I: a
discussion of principles". Journal of Hydrology. v.10, n.3, p. 282–290, 1970.
doi:10.1016/0022-1694(70)90255-6.
53
NELSON, D.W.; SOMMERS, L.E. Total carbon, organic carbon and organic matter. In:
PAGE, A.L.; MILLER, R.H. & KEENEY, D.R., eds. Methods of soil analysis: Chemical
and microbiological properties. Part 2. Madison, Soil Science Society of America, p.539-
579. 1982.
NELSON, D.W.;SOMMERS, L.E. Total carbon, organic carbon and organic matter. In:
SPARKS, D.L.; PAGA, A.L.; HELMKE, P.A.; LOEPPERT, R.H.; SOLTANPOUR, P.N.;
TABATABAI, M.A.; JOHNSTON, C.T. & SUMMER, M.E., eds. Methods of soil analysis:
Chemical methods. Part 3. Madison, Soil Science Society of America, p.961-1010, 1996.
NOBRE, C. P.; LÁZARO, M. L.; ESPIRITO SANTO, M.M.; PEREIRA, M. G.; BERBARA,
R.L.L. Agregação, glomalina e Carbono Orgânico na chapada do Araripe, Ceará, Brasil.
Revista Caatinga, Mossoró, v. 28, n. 1, p.138-147, mar. 2015.
NÓBREGA, G. N. Blue carbon em solos de manguezais do semiárido: importância,
métodos de quantificação e emissão de gases c-co2 fortaleza 2013. 2013. 101 f.
Dissertação (Mestrado) - Curso de Agronomia, Departamento de Ciências do Solo,
Universidade Federal do Ceará, Fortaleza, 2013.
NOVAES FILHO. J. P.; SELVA, E. C.; COUTO, E. G.; LEHMANN, J.; JOHNSON, M. S.;
RIHA, S.J. Distribuição espacial de Carbono em solo sob floresta primária na Amazônia
meridional. Revista Árvore, Viçosa-MG, v.31, n.1, p.83-92, 2007.
PENG, Y.; XIONG, X.; ADHIKARI, K.; KNADEL, M.; GRUNWALD, S.; GREVE, M.H.
Modeling Soil Organic Carbon at Regional Scale by Combining Multi-Spectral Images with
Laboratory Spectra. Plos One, [s.l.], v. 10, n. 11, 10 nov. 2015.
http://dx.doi.org/10.1371/journal.pone.0142295.
PEREZ, L.P.; SHIMABUKURO, Y.E.; FERREIRA, N.J.; ANDRÉ, I. R. N., Dinâmica dos
Principais Domínios Fitogeográficos do Nordeste Brasileiro e suas Conexões com a
Pluviometria. Geografia, v. 29, n. 2, mai/ago 2004.
PIMENTEL, L.C.F.; CHAVES, C.R.; FREIRE, L.A.A.; AFONSO, J.C. O inacreditável
emprego de produtos químicos perigosos no passado. Química Nova, 29:1138-1149, 2006.
PINHEIRO, E. A. R.; COSTA, C. A. G.; de ARAÚJO, J. C. Effective root depth of the
Caatinga biome. Journal of Arid Environments. v. 89, p. 1-4, 2013.
PINHEIRO, E. A. R.; METSELAAR, K.; VAN LIER, Q. de J.; De ARAÚJO, J. C.
Importance of soil-water to the Caatinga biome, Brazil. Ecohydrology, v. 9, n. 7, p. 1313-
1327, 2016.
PINTO, C. M. Bones, Clones and Biomes. The History and Geography of Recent Neotropical
Mammals by B. D. Patterson and L. P. Costa (eds.). Journal Of Mammalogy, [s.l.], v. 94, n.
4, p.959-961, Oxford University Press (OUP). ago. 2013. http://dx.doi.org/10.1644/13-
mamm-r-068.1.
PNE (Associação de Plantas do Nordeste, 2005). Disponível em:
http://www.plantasdonordeste.org.. Acesso em 12 out. 2017.
54
RAMOS, R. R. D.; LOPES, H.L.; MELO JÚNIOR, J. C. F.; CANDEIAS, A. L. B.;
SIQUEIRA.; FILHO, J. A. Aplicação do Índice de Vegetação por Diferença Normalizada
(NDVI) na avaliação de áreas degradadas e potenciais para unidades de conservação.
Anais...III Simpósio de Brasileiro de Ciência Geodésicas e Tecnologias da Informação.
Recife-PE. 2010.
RAZAKAMANARIVO, R.H.; GRINAND, C.; RAZAFINDRAKOTO, M.A.; BERNOUX,
M.; ALBRECHT, A. Mapping organic carbon stocks in eucalyptus plantations of the cen-tral
highlands of Madagascar: a multiple regression approach. Geoderma. v.162, p.335–346.
2011.
ROCHA, A. S.; MEIRELES, T. A. V; ANDRADE JÚNIOR, I. O. Uso do NDVI na
identificação de classes de uso do solo. In: XIV Seminário de Pesq. e Pós-Graduação.
2013.
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems
in the great plains with ERTS. Third ERTS Symposium. NASA, p. 309-317, 1973.
ROZANE, D. E.;ROMUALDO, L. M.;CENTURION, J.F.; BARBOSA, J.C.
Dimensionamento do número de amostras para avaliação da fertilidade do solo. Semina:
Ciências Agrárias, Londrina, v. 32, n. 1, p.111-118, mar. 2011.
SAMPAIO, E.V.S.B. Overview of the Brazilian Caatinga. in: BULLOCK, H. A; MEDINA, E
(eds.) Seasonally dry tropical forest. Cambridge, Cambridge University press, 1995.
SANTOS, H. C.; de OLIVEIRA, F. H. T.; de ARRUDA. A.J.; LOPES, A.R. da S.; de SOUZA
JÚNIOR, R.F.;de FARIAS, D. R.L. Amostragem para avaliação da fertilidade do solo em
função da variabilidade de suas características químicas. Revista Brasileira de Engenharia
Agrícola e Ambiental, Campina Grande, v. 13, n. 1, p.849-854, 2009.
SANTOS, N.Z.; DIECKOW, J.; BAYER, C.;MOLIN, R.; FAVARETTO, N.; PAULETTI, V.
& PIVA, J.T. Forages, cover crops and related shoot and root additions in no-till rotations to C
sequestration in a subtropical Ferralsol. Soil and Tillage Research., v.111, p. 208-218, 2011.
SCHUMACHER, M. V.; KÖNING, F. G.; KLEINPAUL, J. J. Quantificação de carbono
orgânico na serapilheira, sub-bosque e solo em uma floresta de Pinus elliottii Engelm. aos 36
anos em Santa Maria, RS. In: SANQUETTA, C. R.; BALBINOT, R.; ZILLIOTTO, M. A.
(Ed). Fixação de carbono: atualidades, projetos e pesquisas. Curitiba: Edição dos Autores,.
p.125-132. 2004.
SHI Y.; BAUMANN, F.; MA, Y. SONG, C. KÜHN, P. SCHOLTEN, T. et al. Organic and
inorganic carbon in the topsoilof the Mongolian and Tibetan grasslands: pattern control and
implications. Biogeosciences. v.9, p. 2287–2299. 2012. doi: 10.5194/bg-9-2287-2012.
SILVA, F. B. R.; RICHÉ, G. R.; TONNEAU, J. P.; SOUSA NETO, N. C.; BRITO, L. T. L.;
COREIA, R. C.; CAVALCANTI, A. C.; SILVA, F. H. B. B.; SILVA, A. B.; ARAÚJO FILHO,
J. C. Zoneamento agroecológico do Nordeste: Diagnóstico do quadro natural e
agrossocioeconômico. Petrolina: Embrapa CPATSA; Recife: Embrapa CNPS; Recife: UEP,
Documentos, 80, p.89, 1993.
55
SILVA, I; MENDONÇA, E.S. VI- Matéria orgânica do solo. In: Fertildade do Solo. (Org).
NOVAIS, R.F. Sociedade Brasileira de Ciência do Solo, Viçosa –MG. 2007.
SONG, X.D.; BRUS, D.J.; LIU, F.; LI, D.; ZHAO, Y.G.; YANG, J. L.;ZHANG, G.L
Mapping soil organic carbon content by geographically weighted regression: A case study in
the Heihe River Basin, China. Geoderma, [s.l.], v. 261, p.11-22, jan. 2016. Elsevier BV.
http://dx.doi.org/10.1016/j.geoderma.2015.06.024.
SOON, Y.K. & ABBOUD, S. A comparison of some methods for soil organic carbon
determination. Comm. Soil Science Plant Anal., v.22, p.943-954, 1991.
TAN, P.N.; STEINBACH, M.; KUMAR, V. Introduction to Data Mining. Boston, Addison-
Wesley Longman Publishing Co., Inc., 2005.
TEDESCO, M.J.; GIANELLO, C.; BISSANI, C.A.; BOHNEN, H.; WOLKWEISS, S.J.
Análises de solo, plantas e outros materiais. 2.ed. Porto Alegre, Universidade Federal do Rio
Grande do Sul, 174p. (Boletim Técnico, 5). 1995.
THERNEAU, T.; ATKINSON, B.; RIPLEY, B.. rpart: Recursive Partitioning. R package
version 3.1-55. 2012. Disponivel em: <http://CRAN.R-project.org/package=rpart>. Acesso
em: nov. 2017.
TORN, M. S. TRUMBORE, E. S.; CHADWICK, O. A.; VITOUSEK, M.V.; HENDRICKS,
D. M. Mineral control of soil organic carbon storage and turnover. Nature, v. 389, p. 170-173,
1997.
VELOSO, H. P.; RANGEL FILHO, A. L. R. R.; LIMA, J. C. A. Classificação da vegetação
brasileira, adaptada a um sistema universal. Rio de Janeiro: IBGE, 1991.
WIESMEIER, M.; BARTHOLD, F.; SPÖRLEIN, P.; GEUB, U.; HANGEN, E.; REISCHL,
A.; SCHILLING, B.; ANGST, G.; VON LÜTZOW, M.; KÖGEL-KNABNER, I. Estimation
of total organic carbon storage and its driving factors in soils of Bavaria (southeast Germany).
Geoderma Reg. 1, 67–78. 2014.
YANG, R.; ROSSITER, D. G.; LIU, F.; LU, Y.; YANG, F.; YANG, F.; ZHAO, F.; LI, D.;
YANG, R.; ZHANG, G.; LIU, F.; LU, Y.; YANG, F.; YANG, F.; YANG, F.; ZHAO, Y.; LI, D.
Predictive Mapping of Topsoil Organic Carbon in an Alpine Environment Aided by Landsat
TM. Plos One, [s.l.], v. 10, n. 10. 2015. Public Library of Science (PLoS).
http://dx.doi.org/10.1371/journal.pone.0139042.
YANG, R.; ROSSITER, D. G.; LIU, F.; LU, Y.; YANG, F.; YANG, F.; ZHAO, F.; LI, D.;
YANG, R.; ZHANG, G.; LIU, F.; LU, Y.; YANG, F.; YANG, F.; YANG, F.; ZHAO, Y.; LI, D.
Comparison of boosted regression tree and random forest models for mapping topsoil organic
carbon concentration in an alpine ecosystem. Ecological Indicators, [s.l.], v. 60, p.870-878,
jan. 2016. Elsevier BV. http://dx.doi.org/10.1016/j.ecolind.2015.08.036.
YEOMANS, J.C. & BREMNER, J.M. A rapid and precise method for routine determination
of organic carbon in soil. Comm. Soil Science Plant Anal., v.19, p.1467-1476, 1988.
ZHANG, P.; SHAO, M. Spatial Variability and Stocks of Soil Organic Carbon in the Gobi
56
Desert of Northwestern China. Plos One, [s.l.], v. 9, n. 4, 14 abr. 2014. Public Library of
Science (PLoS). http://dx.doi.org/10.1371/journal.pone.0093584.
