Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/9142
Full metadata record
DC FieldValueLanguage
dc.contributor.authorGomes, Andréa da Silva
dc.date.accessioned2023-12-21T18:34:52Z-
dc.date.available2023-12-21T18:34:52Z-
dc.date.issued2018-02-28
dc.identifier.citationGOMES, Andréa da Silva. Mapeamento digital de estoque de carbono e frações granulométricas de solos da Amazônia Central e predição de densidade dos solos do Brasil. 2018. 56 f. Tese (Doutorado em Agronomia, Ciência do Solo) - Instituto de Agronomia, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2018.por
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/9142-
dc.description.abstractO conhecimento do solo e suas propriedades é essencial para o planejamento ambiental e estudo da dinâmica em agroecossistemas. Algumas regiões, como Amazônia brasileira, apresentam carência em informações detalhadas sobre o meio físico, devido a dificuldades referentes ao acesso e movimentação em mata densa típica dessas regiões. Atributos de difícil mensuração em campo como densidade do solo, não são determinados comumente em levantamentos de solos e são necessários para o cálculo de outras propriedades como estoque de carbono e porosidade total. Nesse contexto, modelos de predição e algoritmos de interpolação são alternativas para a estimativa desses atributos em áreas não amostradas. Os objetivos deste trabalho foram: avaliar a adição de covariáveis do relevo e derivadas de imagens multiespectrais e de radar na predição de estoque de carbono e textura do solo em área da Amazônia Central, comparando a performance de quatro métodos geoestatísticos; e desenvolver Funções de Pedotranferência (FPTs) para estimar densidade do solo (Ds) em solos brasileiros, utilizando outros atributos físicos e químicos. No Capítulo I foram utilizadas variáveis do relevo e derivadas de imagens multiespectrais (NDVI) e de radar (coeficiente de retroespalhamento) como covariáveis na predição dos atributos estoque de carbono e textura do solo. Em geral, os resultados mostraram que, mesmo sob floresta densa, o Índice de Vegetação de Diferença Normalizada (NDVI) e o coeficiente de retroespalhamento ALOS PALSAR melhoraram a acurácia das predições de estoque de carbono (EC) e argila subsuperficial. O NDVI derivado de imagem do sensor RapidEye melhorou a predição de EC usando cokrigagem isotópica, enquanto o NDVI derivado de imagem do sensor Landsat 8 e o coeficiente de retroespalhamento foram selecionados para predição de EC e argila subsuperficial usando o krigagem com regressão (KR). A melhoria relativa da aplicação de cokrigagem e KR sobre o krigagem ordinária foi inferior a 10%, indicando que são necessárias análises futuras para conectar covariáveis derivadas da vegetação e do relevo com atributos do solo. No Capítulo II foram desenvolvidas FPTs para estimar densidade dos solos do Brasil, a partir de atributos físicos e químicos disponíveis em levantamentos de solo. Foram desenvolvidos modelos de regressão linear múltipla para o Brasil e para as cinco regiões e comparado sua performance com o modelo referência publicado na literatura proposto por Benites et al. (2007). As FPTs geradas tiveram melhor performance comparada ao modelo proposto por Benites et al. (2007), exceto para a região Sul. Comparando-se a performance do modelo geral (Brasil) em relação aos modelos gerados por regiões, observou-se menores valores de MPE, MAE e RMSPE, para os modelos gerados por regiões, exceto para a região Sul. Quando se considera um modelo geral para predizer a Ds, o modelo gerado para o Brasil, obteve melhor performance, aproximadamente 7% a mais de acurácia comparado ao modelo referência.por
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES, Brasil)por
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Federal Rural do Rio de Janeiropor
dc.rightsAcesso Abertopor
dc.subjectSARpor
dc.subjectNDVIpor
dc.subjectRelevopor
dc.subjectSensoriamento remotopor
dc.subjectRegressão linear múltiplapor
dc.subjectFunções de pedotransferênciapor
dc.subjectReliefeng
dc.subjectRemote sensingeng
dc.subjectMultiple linear regressioneng
dc.subjectPedotransfer functionseng
dc.titleMapeamento digital de estoque de carbono e frações granulométricas de solos da Amazônia Central e predição de densidade dos solos do Brasilpor
dc.title.alternativeDigital mapping of carbon stock and particle size fractions of soils from Central Amazonia and prediction of bulk density of Brazilian soilseng
dc.typeTesepor
dc.description.abstractOtherThe knowledge of the soil and its properties is essential for the environmental planning and study of the dynamics in agroecosystems. Some regions, such as the Brazilian Amazon, lack detailed information about the physical aspects due to difficulty of access and movement in the dense forest. Attributes complicated to measure in the field such as soil density commonly are not determined in soil surveys, although they are necessary for calculation of properties such as carbon stock and total porosity. In this context, prediction models and interpolation algorithms are alternatives for estimating these attributes in non-sampled areas. The objectives of this work were: to evaluate the addition of relief covariates, and those derived from multispectral and radar images, in the prediction of carbon stock and soil texture in a Central Amazonia area, comparing the performance of four geostatistical methods; and to develop Pedotransfer Functions (PTFs) to estimate the bulk density of Brazilian soils using physical and chemical soil attributes. In Chapter I, relief variables derived from multispectral images (NDVI) and radar (backscattering coefficient) were used as covariates in the prediction of carbon stock and soil texture attributes. In general, the results showed that, even under the dense forest, the Normalized Difference Vegetation Index (NDVI) and the ALOS PALSAR backscattering coefficient improved the accuracy of carbon stock (CS) and the clay predictions for the soil subsurface. The NDVI derived from RapidEye sensor improved the prediction of CS using isotopic cokriging, while the NDVI derived from Landsat 8 and backscattering coefficient were selected to predict clay content at the subsurface using regression kriging (RK). The relative improvement of applying cokriging and RK over ordinary kriging were lower than 10%, indicating that further analyses are necessary to connect soil proxies (vegetation and relief types) with soil attributes. In Chapter II, PTFs were developed to estimate bulk density in Brazilian soils, based on physical and chemical attributes available in soil surveys. Multiple linear regression models were developed for Brazil and for the five regions and compared their performance with the reference model published in the literature proposed by Benites et al. (2007). The generated PTFs performed better than the model proposed by Benites et al. (2007), except for the southern region. Comparing the performance of the general model (Brazil) in relation to the models generated by regions, we observed smaller values of MPE, MAE and RMSPE, for the models generated by regions, except for the South region. When considering a general model to predict bulk density, the model generated for Brazil obtained better performance, approximately 7% more accuracy than the reference model.eng
dc.contributor.advisor1Ceddia, Marcos Bacis
dc.contributor.advisor1ID141.571.218-21por
dc.contributor.advisor-co1Anjos, Lúcia Helena Cunha dos
dc.contributor.advisor-co1ID660.519.407-15por
dc.contributor.advisor-co2Vasques, Gustavo de Mattos
dc.contributor.advisor-co2ID084.272.437-07por
dc.contributor.referee1Ceddia, Marcos Bacis
dc.contributor.referee2Pereira, Marcos Gervasio
dc.contributor.referee3Pereira, Renato Nunes
dc.contributor.referee4Valladares, Gustavo Souza
dc.contributor.referee5Donagemma, Guilherme Kangussu
dc.creator.ID029.176.693-57por
dc.creator.Latteshttp://lattes.cnpq.br/5715833947889205por
dc.publisher.countryBrasilpor
dc.publisher.departmentInstituto de Agronomiapor
dc.publisher.initialsUFRRJpor
dc.publisher.programPrograma de Pós-Graduação em Agronomia - Ciência do Solopor
dc.subject.cnpqAgronomiapor
dc.thumbnail.urlhttps://tede.ufrrj.br/retrieve/64445/2018%20-%20Andr%c3%a9a%20da%20Silva%20Gomes.pdf.jpg*
dc.originais.urihttps://tede.ufrrj.br/jspui/handle/jspui/4487
dc.originais.provenanceSubmitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2021-03-30T19:20:30Z No. of bitstreams: 1 2018 - Andréa da Silva Gomes.pdf: 3162814 bytes, checksum: 9472673fdb022c4c6a6a81bd41a0026e (MD5)eng
dc.originais.provenanceMade available in DSpace on 2021-03-30T19:20:30Z (GMT). No. of bitstreams: 1 2018 - Andréa da Silva Gomes.pdf: 3162814 bytes, checksum: 9472673fdb022c4c6a6a81bd41a0026e (MD5) Previous issue date: 2018-02-28eng
Appears in Collections:Doutorado em Agronomia - Ciência do Solo

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
2018 - Andréa da Silva Gomes.pdf3.09 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.