Solos e Nutrição de Plantas
URI permanente para esta coleçãohttps://locus.ufv.br/handle/123456789/175
Navegar
9 resultados
Resultados da Pesquisa
Item Monitoramento nutricional de palma de óleo (Elaeis Guineensis) utilizando métodos de aprendizagem de máquina e dados espectrais(Universidade Federal de Viçosa, 2022-05-18) Teixeira, Rayanne Oliveira; Neves, Júlio César Lima; http://lattes.cnpq.br/0492080848542303A palma de óleo (Elaeis guineenses), é uma oleaginosa que fornece dois principais produtos, o óleo de palma e o óleo de palmiste, extraídos da polpa do fruto e semente, respectivamente. Os países Indonésia e Malásia, são os principais produtores mundiais, e o Brasil ocupa o 10º lugar do ranking, com grande maciço concentrados no Estado do Pará. Monitorar a condição nutricional destas lavouras permite ter mais informações sobre as taxas de extração e remobilização de nutrientes e consequentemente melhor compreensão sobre a nutrição e sua relação com as produtividades de cachos de frutos. O fato de muitos materiais genéticos terem produções mensais, exige uma forma de monitoramento nutricional que seja mais rápido, assertivo e com informações capazes de subsidiar as estratégias de manejo de fertilização da palma de óleo. Neste contexto, foi proposto utilizar ferramentas de programação e imagens do satélite Sentinel 2A, para compreender o comportamento espectral da cultura através dos índices de vegetação e relacionar estas variáveis com os resultados de tecido foliar. Com base neste banco de dados, foi possível calcular diversos índices de vegetação, treinar e validar diferentes algoritmos capazes de predizer a condição nutricional de macronutrientes, micronutrientes e produtividade dos plantios de forma eficaz. Além do tradicional NDVI, foi possível selecionar índices que apresentaram melhor performance para avaliação nutricional da palma, destacando-se o GRNDVI, MSAVI, ARI, VARI e NDWI. Quando se trata de produtividade, os índices Red_edge_NDVI, RGVI, GRNDI e LAI foram os que melhor se ajustaram na base de dados deste estudo. Os algoritmos, Cubist, Ranger e Random Forest mostram-se eficientes para predizer a produtividade. Os resultados obtidos neste trabalho evidenciam o grande potencial desta ferramenta para monitoramento dos plantios. Quanto maior o detalhamento e estratificação das informações por material genético e idade, a tendencia é obter melhores ajustes dos modelos e seleção dos índices cada vez mais apropriados para monitorar a condição nutricional e produtividade dos plantios de palma de óleo. Palavras-chave: Machine learning; Diagnose foliar; Amazonia; Índices de vegetação.Item Machine learning algorithms to improve phosphorus management(Universidade Federal de Viçosa, 2023-02-06) Ologunde, Olanrewaju Hameed; Valadares, Samuel VasconcelosOptimizing phosphorus (P) management in agriculture is critical for food security and sustainable development. Models can effectively combine multiple inputs and site conditions to improve understanding and predictions of nutrient dynamics. Machine learning (ML) models are becoming relevant in various agricultural sectors, with widely available, capable and cost efficient. In this study ML models were trained and tested to predict maize yield in response to phosphorus management. The effects of P on crop yield were predicted for Sub-Saharan Africa (SSA) using a total of 438 observations sourced from published articles. Specifically, we considered articles that determined the influence of P management on maize grain yield. Easily accessible soil and weather variables that affect the dynamics of phosphorus in soil-plant systems were included for possible improvement in the ML models. These variables include clay content, soil P, soil carbon content and weather variables, with variation in ranks across the region and sub-regions. Four machine models were used; multiple linear regression (MLR), random forest (RF), support vector regression (SVR) and k-nearest neighbors (KNN). Overall, the artificial intelligence models trained and tested in this work were able to predict plant responses to P addition and management in different cropping environments in SSA. The result showed that RF had better prediction performance for whole SSA (R2 = 0.57), East (R2 = 0.69) and South (R2 = 0.73) regions, while KNN had higher performance in the West region (R2 = 0.76). This study provides a basis for implementing a new framework for optimizing phosphorus management in agricultural systems. Keywords: Soil fertility. Phosphorus. Maize production. Sub Sahara Africa.Item Geoambientes: solos e áreas de mineração de ouro na região norte do Suriname(Universidade Federal de Viçosa, 2023-02-27) Freitas, Agnaldo Roberto de Jesus; Francelino, Márcio Rocha; http://lattes.cnpq.br/0032307531121907O Suriname, localiza-se na costa norte do continente sul-americano, no Planalto das Guianas é um dos países com maior cobertura florestal proporcional do mundo. No entanto, houve nestes últimos anos, aumento crescente no desmatamento, principalmente nas áreas de mineração de ouro, causando grandes impactos ambientais, principalmente nos solos e corpos hídricos destas áreas. Os solos deste país foram pouco estudados onde os estudos ocorreram quando o país era colônia neerlandesa, quando foi desenvolvido o Sistema Surinamês de Classificação de Solos (SiSCS), que se baseado no sistema holandês e americano (Soil Taxonomy). Devido a semelhança ambiental e proximidade geográfica o Sistema Brasileiro de Classificação de Solos (SiBCS) poderia ser útil para transferência de conhecimentos pedológicos. Dessa forma, este trabalho, teve como objetivos: interpretar e correlacionar os solos da região norte do Suriname com o SiBCS e WRB e servir como base para elaboração de projetos para o planejamento do uso da Terra. Além disso propor um método de classificação utilizando as técnicas de análise de imagens baseada em objetos (OBIA) com técnicas de aprendizado de máquina (AM) para classificar e caracterizar as áreas alteradas pela mineração de ouro no Suriname. Foram coletadas amostras de solos em diversos pontos para reconhecimento e correlação com as classes de solos. Análises físicas, químicas e mineralógicas foram realizadas para caracterização das propriedades dos solos. Foram gerados mapas de solos do Suriname utilizando os sistemas SiBCS e WRB. Foram utilizadas imagens dos satélites Landsat 5 (2001 e 2008), Landsat 8 (2014) e do Sentinel-2A (2020), para análise temporal das alterações de uso e cobertura das áreas de mineração de ouro. Foi observado que na Planície Costeira Jovem predominam os Gleissolos (Gleysols), seguidos pelos Organossolos Háplicos (Folic Histosols) com formação de turfeiras. Nesse ambiente, em menor quantidade, ocorrem os Neossolos Quartzarênicos (Arenosols). Na Planície Costeira Antiga predominam os Plintossolos (Plinthosols) e os Argissolos (Acrisols). Na Cobertura Savânica ocorrem os Espodossolos (Podzols) e os Neossolos Quartzarênicos (Arenosols). Nas Terras Altas predominam os solos mais desenvolvidos e distróficos os Latossolos (Ferrasols), Argissolos (Acrisol) e Plintossolos (Plinthosols), moderadamente desenvolvidos como os Neossolos Flúvicos (Flúvisols), e os mais jovens Neossolos Litólicos (Leptosols) e Cambissolos Háplicos (Cambisols). Entre 2001 e 2008 a área da mineração aumentou 100%, explorando as partes médias da bacia com mineração hidráulica. No período de 2008 a 2014 a área de mineração triplicou, evoluindo para partes baixas e altas da bacia do rio Maurouni com início da escavação mecânica. Entre 2014 e 2020 o aumento foi de 27%, sendo que 97% por escavação mecânica, principalmente na cabeceira da bacia do rio Maurouni, aumentando o potencial de contaminação desta bacia. O SiBCS pode ser utilizado no Suriname de forma a contribuir para transferência de conhecimentos pedológicos para melhor planejamento do uso da Terra e dos recursos naturais no país. O método proposto de classificação de áreas de mineração possui grande potencial para classificar e caracterizar áreas de mineração de ouro, oferecendo melhor análise e monitoramento do impacto ambiental nas áreas de mineração por escavação e hidráulica. Palavras-chave: Sustentabilidade ambiental. Planejamento do uso da terra. Poluição ambiental. Machine learning. Sensoriamento remoto.Item Modelagem do amarelecimento fatal na palma de óleo(Universidade Federal de Viçosa, 2022-10-04) Faria, Raiza Moniz; Fernandes Filho, Elpídio Inácio; http://lattes.cnpq.br/2519543257229499A cultura da Palma de Óleo é de grande importância no cenário mundial. O óleo extraído de seus frutos é um óleo versátil utilizado em indústrias de cosméticos e de alimentos. No Brasil, os plantios concentram-se nos estados do Pará, Roraima e Bahia. A demanda por óleo de palma cresceu nos últimos anos em concomitância com o aumento das doenças, pragas e distúrbios na cultura. No Brasil, o distúrbio do amarelecimento fatal (AF) vem sendo um entrave para esta cultura, dizimando grandes áreas na região nordeste do estado do Pará. O sensoriamento remoto apresenta uma série de dados que podem servir de subsídio a estudos do distúrbio, com o uso de geotecnologias é possível estabelecer as variáveis com maior correlação no desenvolvimento do AF na cultura da palma de óleo. O objetivo da tese foi desenvolver uma metodologia adequada para as áreas com AF em plantios comerciais na região nordeste do estado do Pará, com a utilização de imagens de média e alta resolução e variáveis bióticas, abióticas e espectrais. A utilização de imagens de altíssima resolução na faixa espectral do visível foi avaliada para a identificação de plantas com AF. Os resultados indicam que a integração do sensoriamento remoto com machine learning é promissor para o desenvolvimento de pesquisas de distúrbios como o AF na palma de óleo. A classificação orientada a objetos apresentou acurácia de 94% e índice kappa de 96% com 25 variáveis preditoras. Destas, os índices de vegetação GCI, TVI, MCARI e ERGBVE foram os mais importantes e promissores para serem utilizados na avaliação do status nutricional da cultura e na identificação de doenças e distúrbios. A utilização destes índices e das demais variáveis associadas ao modelo construído, possibilita maior controle fitossanitário dos plantios. As imagens do satélite Sentinel disponíveis de forma gratuita e com periodicidade de 5 dias podem ser utilizadas para o mapeamento do AF. A metodologia desenvolvida e aplicada foi satisfatória na separação entre plantas com distúrbio provocado por AF e plantas saudáveis. Palavras-chave: Modelagem de dados. Óleo de palma. Agricultura de precisão.Item Aprendizado de máquinas aplicado ao mapeamento digital de solos na Antártica: modelagem e predição espacial de classes e atributos do solo(Universidade Federal de Viçosa, 2023-05-10) Siqueira, Rafael Gomes; Filho, Elpídio Inácio Fernandes; http://lattes.cnpq.br/9254221584773247O mapeamento convencional de solos baseado em modelos mentais é uma abordagem comum para compreensão da distribuição dos solos na Antártica. No entanto, o Mapeamento Digital de Solos baseado em modelos empíricos e quantitativos tem sido escassamente aplicado no continente. As vantagens do mapeamento digital são de grande relevância em paisagens remotas como as áreas livres de gelo da Antártica, onde coletas de solos são muito limitadas. Além disso, existe uma necessidade de dados precisos de solos para a Antártica, especialmente sob as pressões impostas atualmente pelas mudanças climáticas e distúrbios antrópicos no continente. Neste trabalho foram preditas as distribuições espaciais, nas regiões da Antártica Marítima e Península Antártica, de importantes atributos físico-químicos do solo: areia, silte, argila, soma de bases, H+Al, pH, carbono orgânico total, P, Na e P remanescente; e de classes de solos identificadas com os sistemas Soil Taxonomy and World Reference Base – FAO. Para isso, foi utilizada a base de dados de solos do Grupo Terrantar da Universidade Federal de Viçosa - Brasil, compilada a partir de trabalhos de campo realizados durante 20 anos na Antártica. Também foi usado um grande conjunto de covariáveis preditoras representando os fatores do modelo scorpan: atributos do terreno gerados a partir de Modelo Digital de Elevação, dados multiespectrais Sentinel representando covariáveis de vegetação, distâncias euclidianas para geleiras, costa e pinguineiras, geologia, coordenadas e outros atributos do solo. Para a modelagem e mapeamento, técnicas de Aprendizado de Máquinas foram aplicadas e diferentes modelos foram testados, destacando-se o modelo Random Forest. Este estudo mostra o potencial da aplicação da metodologia do Mapeamento Digital de Solos para produção de mapas detalhados na Antártica, um continente geralmente negligenciado para mapeamentos devido à ausência de dados de solos robustos. Com nossos resultados, pretendemos subsidiar a tomada de decisão sobre solos na Antártica, além de fornecer dados pioneiros que podem ser incorporados em modelos ecológicos globais. Palavras-chave: Antártica. Aprendizado de Máquinas. Mapeamento Digital de Solos. Modelagem. Predição espacial.Item Predição e espacialização de elementos potencialmente tóxicos em solos no entorno de pilha de rejeitos de mineração: riscos à saúde humana e fitorremediação(Universidade Federal de Viçosa, 2022-02-11) Paes, Ésio de Castro; Soares, Emanuelle Mercês Barros; http://lattes.cnpq.br/4007686259873063A atividade de mineração é muito importante para o crescimento de um País, porém a mesma gera uma grande quantidade de rejeitos, que, quando dispostos de maneira inadequada podem se dispersar no meio ambiente, aumentando os níveis de elementos potencialmente tóxicos (PTEs) nos solos. Assim, determinar os níveis e a distribuição espacial dos PTEs é essencial para traçar estratégias mitigadoras e remediar áreas contaminadas. Dessa forma, o objetivo desse estudo foi avaliar os níveis e a extensão da contaminação de elementos potencialmente tóxicos nos solos próximos a pilha de rejeito de mineração, bem como avaliar o potencial risco à saúde da população (Capítulo 1), desenvolver metodologia rápida e eficiente para monitorar os níveis de contaminantes em áreas impactadas pela atividade de mineração (Capitulo 2) e identificar espécies vegetais capazes de remediar áreas contaminadas (Capítulo 3). O estudo foi desenvolvido no Município de Boquira-Ba, no qual foram coletadas 120 amostras compostas de solos em uma malha regular, na profundidade de 0-10 cm. Os resultados demonstraram que os uso de algoritmos de aprendizagem de maquinas é uma alternativa eficiente para espacializar áreas contaminadas pela atividade de mineração, onde predomina fontes difusas de contaminantes. Observou-se também que as áreas próximas as pilhas de rejeito se encontram altamente contaminadas podendo ser prejudicial ao meio ambiente e a saúde humana. No segundo capítulo foi desenvolvida uma estrutura metodológica para monitorar áreas contaminadas com PTEs, por meio do uso de algoritmos de aprendizagem de máquinas. Os resultados demonstraram que o uso de covariáveis como as concentrações totais dos elementos, medidas por fluorescência de raio-X (XRF), texturais e morfométricas são úteis para prever os teores de PTEs nos solos. Por fim, foi possível observar que as espécies vegetais P. juliflora, A. peregrina toleram altas concentrações de Pb nos solos, e são capazes de estabilizar esse metal no sistema radicular. As demais espécies M. oleífera e U. ruziziensis também cresceram nos solos contaminados, porém ocorreram reduções nos valores dos parâmetros de crescimentos. Palavras-chave: Áreas contaminadas. Algoritmos de aprendizagem de máquinas. Fitorremediação.Item Gênese, química, mineralogia, geoquímica e modelagem de carbono do solo no setor leste da Ilha de Marajó(Universidade Federal de Viçosa, 2022-05-23) Silva, David Lukas de Arruda; Ker, João Carlos; http://lattes.cnpq.br/0510373449315595Localizada no Bioma Amazônico, a Ilha de Marajó é parte principal do maior arquipélago flúvio-marinho da América do Sul e particularmente sensível as mudanças climáticas globais. Dada sua importância ambiental, social e arqueológica, estudos no escopo da gênese, química, mineralogia, geoquímica e modelagem de carbono orgânico do solo são essenciais para a tomada de decisão e definição de políticas públicas para a recuperação e conservação ambiental. Dessa forma, os objetivos desse estudo foram: (i) estudar a gênese dos solos ao leste da ilha, com ênfase em sua possível origem policíclica, investigando como regressões e transgressões marinhas, bem como as influências antrópicas pretéritas, afetaram suas propriedades químicas, físicas e mineralógicas (Capítulo 2); (ii) estudar as propriedades geoquímicas dos solos sobre os principais materiais de origem no setor leste da Ilha de Marajó, com ênfase nos índices de intemperismo, relações geoquímicas dos elementos e elementos potencialmente tóxicos (Capítulo 3); e (iii) utilizar modelos baseados em aprendizado de máquinas para determinar a distribuição espacial de carbono orgânico superficial dos solos (Capítulo 4). O estudo foi desenvolvido no setor leste da Ilha de Marajó, sendo coletados 14 perfis de solos, com 81 pontos de amostragem de 0-20 cm. As evidências morfológicas, químicas, físicas e mineralógicas dos solos nos diferentes ambientes ao leste da Ilha de Marajó, revelam atributos vinculados às mudanças climáticas, episódios de regressão marinha, atividades antrópicas pré-colombianas e neotectônica. O terceiro capítulo mostra que a variação geoquímica dos solos refletiu particularidades do material de origem. No quarto capítulo as covariáveis mais importantes para prever a distribuição dos estoques de carbono orgânico do solo foram aquelas associadas ao relevo e a proximidade a corpos hídricos, e o modelo Cubist foi o mais eficiente em predizer o carbono orgânico superficial dos solos. Palavras-chave: Holoceno. Bacia Amazônica. Arqueoantropossolos. Elementos potencialmente tóxicos. Algoritmos de aprendizagem de máquinas.Item Modelagem geoambiental do Parque Nacional da Serra do Gandarela (MG): interações solo, relevo e vegetação.(Universidade Federal de Viçosa, 2021-06-04) Araújo, Raphael Wakin de; Schaefer, Carlos Ernesto Gonçalves Reynaud; http://lattes.cnpq.br/0475997898333405O presente trabalho teve como objeto de estudo o Parque Nacional da Serra do Gandarela (PARNA-SG), região de geologia diversa e complexa dentro do Quadrilátero Ferrífero. A grande diversidade abiótica do parque é acompanhada de uma grande diversidade dos recursos bióticos, sendo uma área de transição entre os biomas Mata Atlântica e Cerrado. A paisagem local é formada por um mosaico de fitofisionomias florestais, savânicas e campestres, e de forma complementar, associados aos afloramentos de canga, itabirito e quartzito, ocorrem os Campos Rupestres. São ambientes únicos no território brasileiro, que abrigam um elevado número de espécies raras e endêmicas numa porção territorial muito reduzida. No PARNA-SG ocorrem os divisores entre as bacias do Rio das Velhas e do Rio Piracicaba, importantes na captação de grande parte da água que abastece a Região Metropolitana de Belo Horizonte. Diante deste contexto, este trabalho estruturado em três capítulos, buscou entender a distribuição e a diversidade geoambiental do parque e suas relações com os fatores edáficos de cada ambiente. Propôs uma metodologia capaz de gerar índices de geodiversidade espacializados de forma automática, o que permitiu analisar as relações entre geodiversidade e a biodiversidade intrínseca dos geoambientes em cada bioma, possibilitando o uso deste método como base inicial para o delineamento de áreas prioritárias para a conservação dentro do parque. Testou-se também uma nova metodologia, que utilizou modelos de Machine Learning para a classificação automática dos geoambientes. Os resultados obtidos, mesmos com a necessidade de futuros refinamentos, podem ser considerados promissores para mapeamento de unidades geoambientais. Palavras-chave: Geobiodiversidade. Conservação. Modelagem.Item Qualidade e comportamento espectral da água de rio afetado por rejeito de mineração(Universidade Federal de Viçosa, 2021-04-30) Santana, Felipe Carvalho; Francelino, Márcio Rocha; http://lattes.cnpq.br/2006311262852350Com o rompimento da barragem de Fundão foram lançados cerca de 44 milhões de metros cúbicos de rejeito de mineração que atingiu diretamente a bacia hidrográfica do rio Doce. Sendo assim, esse trabalho teve com objetivos: estudar a qualidade da água do rio Gualaxo do Norte no trecho atingido pelo rompimento da barragem de Fundão por meio de diferentes técnicas. Apresentar o cenário histórico da qualidade do rio Gualaxo no que tange o parâmetro de Turbidez, antes (1999), após o acidente (2016) e após o início das atividades de recuperação (2017 a 2019). Modelar a turbidez do rio Doce utilizando técnicas de sensoriamento remoto. Predizer variáveis físicas e químicas a partir de valores de turbidez verificadas em campo. Correlacionar a resposta espectral de imagens de satélite do sensor orbital Sentinel-2 com parâmetros de qualidade da água. Levantar melhores modelos de machine learning que possam predizer a qualidade da água dos rios. Para compor esse trabalho foram utilizados os dados da qualidade da água dos rios Gualaxo do Norte e Carmo durante o inverno de 1999 e verão de 2000, do inverno de 2016, um ano após o rompimento da barragem de Fundão e de coletas de amostras de água realizadas ao longo dos anos 2017 a 2019, após a consolidação das atividades de recuperação. No total foram realizadas 25 coletas nos trechos dos rios Gualaxo e Carmo. Foram utilizados dados de monitoramento do rio Doce em 13 estações automáticas, no total de 78 amostras de turbidez. A Turbidez no rio Gualaxo do Norte, mesmo com as atividades de recuperação teve picos de 300 e 400 NTU em 2017 e 2019. O modelo gerado para Turbidez para o rio Doce mostra que essa variável pode ser mensurada a partir de dados de sensores remotos com precisão de 0,6, podendo ser apresentada de forma contínua em todo o trecho do rio Doce. A regressão linear do SST e do Fe total foram superiores a 0,80 de R2 mostrando a correlação linear entre as variáveis. As relações de bandas desenvolvidas neste trabalho tiveram boa correlação com as variáveis Turbidez e Cor. Os modelos de árvore de decisão como Ranger, cubist e Random Forest, em geral obtiveram melhores resultados na modelagem de variáveis onde não possui pontos de monitoramento. Palavras-chave: Análise de Componentes Principais. Turbidez. Legislação Ambiental. Sensoriamento Remoto. Machine Learning.