Predição de umidade e atributos físicos do solo com uso de GPR (Ground Penetrating Radar)

Abstract

É uma técnica indireta para investigação da subsuperfície do solo, que vêm sendo estudada como uma possível alternativa para determinação da umidade e atributos físicos do solo. O trabalho foi desenvolvido em uma área com cobertura por pastagem em relevo fortemente ondulado no município de Viçosa, Minas Gerais, Brasil, onde foram realizadas duas varreduras em três transectos distintos, com 70, 100 e 130 m de comprimento, no sentido do topo para o vale em relevo montanhoso. O GPR utilizado foi o SRI-3000 da GSSIQ. Em cada uma das três áreas foram realizados transectos com antenas blindadas de 200, 400 e 900 MHz para geração de radargramas, os quais foram processados no software RADAN 78. Nos radargramas foram realizados diversos processos como aplicação de filtros, ganhos e migração, todos visando a melhoria do sinal eletromagnético e determinação da constante dielétrica. A presente dissertação é dividida em dois capítulos. O primeiro capítulo objetivou avaliar a aplicabilidade do uso do Ground Penetrating Radar na determinação da umidade volumétrica em transectos comparando equações e propor modelo de calibração. Foram realizadas coletas em 26 pontos de amostras deformadas nas profundidades de 0,00-0,20; 0,20-0,40; 0,40-0,60; 0,60-0,80 e 0,80-1,00 m e realizada a análise laboratorial padrão de umidade. Para estimar a umidade volumétrica dos solos utilizando dados do GPR, a constante dielétrica foi obtida por meio dos processamentos dos radargramas e a umidade calculada conforme as equações de Topp et al. (1980), Ledieu et al. (1986), Roth et al. (1990) e Malicki et al. (1996). Foi utilizado o software estatístico RQ para ajustar equações de regressão entre umidade do solo medida em laboratório e dados de constante dielétrica obtidos nos radargramas por GPR. Gerou-se uma equação de calibração local onda a umidade é função da constante dielétrica, da profundidade de coleta das amostras e da interação entre os fatores. Os valores de umidade volumétrica obtidos por GPR mostraram-se satisfatórios, o que indica possibilidade do uso da metodologia na espacialização da variável umidade do solo, otimizando estudos que necessitam de valores de umidade como uma variável com distribuição contínua. No segundo capítulo, o objetivo foi elaborar modelos de predição de variáveis texturais (areia grossa, areia fina, silte, argila, porosidade total, macroporosidade e microporosidade) em solos do município de Viçosa, Minas Gerais, utilizando dados de Ground Penetrating Radar, variáveis morfométricas de terreno e técnicas de Machine Learning. Para as análises de textura e porosidade do solo foram realizadas coletas em 26 pontos de amostras indeformadas nas profundidades de 0,00- 0,10; 0,10-0,20; 0,20-0,30; 0,30-0,40 e 0,40-0,50 m e realizada a análise laboratorial padrão. Para predição de textura e porosidade dos solos utilizando dados do GPR, a constante dielétrica foi obtida por meio dos processamentos dos radargramas e, juntamente aos resultados das análises laboratoriais, foram utilizados cinco algoritmos de predição: Linear Models (LM), Generalized Linear Models (GLM), Cubist, Suport Vector Machine Radial Sigma (SVM) e Random Forest (RF), para verificar qual modelo se adequava melhor as cinco bases de dados testadas. Foi utilizado o software estatístico Rº para ajustar os modelos de regressão A verificação do desempenho dos algoritmos foi realizada por método de validação cruzada do tipo leave one out. O desempenho dos algoritmos em cada treinamento e validação foi avaliado pelo coeficiente de determinação (R2) e pela raiz do erro médio quadrático (RMSE), para cada variável. Testou-se combinações distintas de bases de dados para avaliar quais variáveis são mais Importantes na elaboração de modelos preditivos. Os modelos SVM, RF, e Cubist apresentaram maior desempenho quando comparados aos modelos lineares. Inserir variáveis de terreno possibilita modelagens de maior precisão, com valores de R? de 0,84 e 0,79 para variável argila, como os modelos SVM e RF, respectivamente. Os valores de RMSE foram extremamente baixos para todos os modelos (inferiores a 0,04). A predição das variáveis texturais gerou resultados superiores à predição de valores de porosidade.GPR (Ground Penetrating Radar) 1s a non-destructive, non-invasive method that allows information to be extracted along the soil profile. It is an indirect technique for soil subsurface research, which has been studied as a possible alternative for the determination of soil moisture and physical attributes. The work was carried out in a heavily corrugated grassland area 1n the municipality of Viçosa, Minas Gerais, Brazil, where two sweeps were performed on three distinct transects, 70, 100 and 130 m the valley im mountainous relief. The GPR used was the SRI-3000 from GSSIQ. Transects with 200, 400 and 900 MHz shielded antennas were generated 1n each of three areas to generate radargrams, which were processed in RADAN 78 software. In the radargrams, several processes were applied, such as filters, gas and migration, all of them aimed at improving the electromagnetic signal and determining the dielectric constant. This dissertation 1s divided into two chapters. The first chapter armed to evaluate the applicability of the use of the Ground Penetrating Radar in the determination of volumetric moisture 1n transects comparing equations and propose a calibration model. Samples were collected at 26 points of deformed samples at depths of 0.00-0.20; 0.20-0.40; 0.40-0.60; 0.60-0.80 and 0.80-1.00 m and performed the standard laboratory analysis of moisture. In order to estimate the volumetric moisture of the soils using GPR data, the dielectric constant was obtained by means of the radargrams and humidity calculated according to the equations of Topp et al. (1980), Ledieu et al. (1986), Roth et al. (1990) and Malicki et al. (1996). The RQ statistical software was used to adjust regression equations between laboratory- measured soil moisture and dielectric constant data obtained on GPR-radargrams. It was generated a local calibration equation where humidity is a function of the dielectric constant, the depth of sample collection and the interaction between the factors. The values of volumetric moisture obtamned by GPR were satisfactory, which Indicates the possibility of using the methodology mn the spatialization of the soil moisture variable, optimizing studies that require moisture values as a variable with continuous distribution. In the second chapter, the objective was to elaborate prediction models of textural variables (coarse sand, fine sand, silt, clay, total porosity, macroporosity and vil microporosity) in soils of the municipahity of Viçosa, Minas Gerais, using data from Ground Penetrating Radar, morphometric and Machine Learning techniques. For soil texture and porosity analysis, samples were collected at 26 points of undisturbed samples at depths of 0.00-0.10; 0.10-0.20; 0.20-0.30; 0.30-0.40 and 0.40-0.50 m and performed the standard laboratory analysis. In order to predict soil texture and porosity using GPR data, the dielectric constant was obtained by means of radargrams and, together with the results of the laboratory analysis, five predictive algorithms were used: Linear Models (LM), Generalized Linear Models (GLM), Cubist, Suport Vector Machine Radial Sigma (SVM) and Random Forest (RF), to verify which model best suited the five databases tested. The RQ statistical software was used to adjust the regression models. The performance verification of algorithms was performed by a one-off cross-validation method. The performance of algorithms in each training and validation was evaluated by the coefficient of determination (RZ) and root mean square error (RMSE), for each variable. Different combinations of databases have been tested to assess which variables are most important 1n the design of predictive models. The SVM, RF, and Cubist models presented higher performance when compared to linear models. Inserting field variables allows for more accurate modeling, with R? values of 0.84 and 0.79 for clay, such as the SVM and RF models, respectively. RMSE values were extremely low for all models (less than 0.04). The prediction of textural variables generated results superior to prediction of porosity values.