faculdade de engenharia agrÍcola - feagri.unicamp.br · existem duas formas de erosão: a erosão...
TRANSCRIPT
1
FACULDADE DE ENGENHARIA AGRÍCOLA – FEAGRI
UNIVERSIDADE ESTADUAL DE CAMPINAS – UNICAMP
Vinícius Castilho Santos
Relação entre dados espectrais de imagens de satélite
com fatores de erosão do solo
Orientador: Prof. Dr. Lucas Rios do Amaral
Co-orientadora: Bruna Cristina Gallo
CAMPINAS, 2017.
2
FACULDADE DE ENGENHARIA AGRÍCOLA – FEAGRI
UNIVERSIDADE ESTADUAL DE CAMPINAS – UNICAMP
Vinícius Castilho Santos
Relação entre dados espectrais de imagens de satélite
com os fatores da erosão do solo
Trabalho de Conclusão de Curso apresentado como requisito parcial para obtenção do título de Engenheiro Agrícola à Faculdade de Engenharia Ágricola da Universidade Estadual de Campinas.
CAMPINAS
2017
3
Relação entre dado espectral de imagens de satélite com
erosão do solo
Vinícius Castilho Santos
BANCA EXAMINADORA
..............................................................
Prof. Dr. Lucas Rios do Amaral
Orientador
...............................................................
Dr. Rubens Augusto Camargo Lamparelli
...............................................................
Prof. Dr. Jansle Vieira Rocha
4
Aos meus pais Ivanir e Cláudia, minhas irmãs Mariane e Lívia e toda a família pelo apoio e suporte para chegada dessa etapa da vida. Dedico.
5
AGRADECIMENTOS
Agradeço a Faculdade de Engenharia Agrícola e ao Grupo Interdisciplinar de Agricultura de Precisão por todo conhecimento compartilhado, apoio e infraestrutura. Ao Professor Dr. Lucas Rios do Amaral, pela orientação no presente trabalho, apoio, suporte e conhecimento compartilhado nos últimos meses.
Vinícius Castilho
Agradeço a minha família e todos que diretamente ou indiretamente contribuíram para a construção de meus valores: meus pais, Ivanir e Claudia por não medirem esforços e sempre me apoiaram nos meus estudos. Aos meu avós Albertina e Osmar, Alzira e em especial ao meu avô Pedro, in memorian, pois seus ensinamentos jamais serão esquecidos e por sempre acreditar em mim, as minhas irmãs Mariane e Lívia por todo amor, carinho e paciência em todas as horas, ao meu cunhado Davi por toda a caminhada, a Victoria pelo amor, companheirismo e apoio na realização do presente trabalho. A minha co-orientadora Bruna Cristina Gallo por todo suporte mais do que necessário nos momentos de dificuldades, disponibilizando seu tempo e conhecimento. Aos meus amigos de Universidade e a todos que de alguma forma contribuíram para esse trabalho. E não em primeiro lugar, mas em meio a tudo isso, ao Autor da Existência, aquele que permite que todas as coisas se concretizem, nosso único e verdadeiro Deus. Agradeço pela força, coragem, fé e vontade de viver.
6
RESUMO
O Brasil possui uma das maiores áreas produtivas e solos diversificados do mundo, o que torna necessário a criação de técnicas de planejamento e boas práticas de manejo para produzir alimentos e energia de forma segura. As estimativas de perda de solos em áreas agrícolas auxiliam o planejamento agrícola adequado e, com o advento das geotecnologias, as taxas de perda de solos podem ser estimadas por meio dos Sistemas de Informações Geográficas (SIG). No entanto, a sua estimativa depende de uma série de processamentos e variáveis difíceis de serem obtidas. As imagens de satélite, por exemplo, utilizadas para observações da superfície da Terra, é uma ferramenta que apresenta informações espectrais de alvos. Esse trabalho visa relacionar os dados espectrais da imagem de satélite com os dados de perda de solos. Para isso, um banco de dados com informações da topografia, tipos de solo, chuva, uso e ocupação do solo e manejo foram integrados num SIG e foi gerado o mapa de perda de solos. A imagem de satélite foi corrigida por conta das interferências atmosféricas e foram separados os alvos que não eram solo exposto, como a água, vegetação e área urbana. Finalmente, os dados espectrais da imagem de solo exposto foram relacionados com os dados de perda de solos. Os dados de perdas de solos mostraram que 70% da área apresentam perdas acima do limite tolerável pela literatura que é 12 Mg ha-1 ano-1. Os dados espectrais e a perda de solos apresentam baixa correlação. Por outro lado, para esse estudo a mineração de dados se mostra mais eficiente para correlacionar a perda de solos com os dados espectrais. Estudos futuros são necessários para definir padrões de índices classificadores com intuito de subsidiar a tomada de decisão de planejamento do uso da terra e estratégias conservacionistas para preservação dos recursos naturais.
7
ABSTRACT Brazil is one of the largest productive areas and soils variety in the world, reason to create planning techniques and good management practices to produce food and energy safety. Soil loss estimative in agricultural areas are good indicative to adequate agricultural planning. In addition, soil loss rates has been estimated through the Geographic Information Systems (GIS) due to the advent of geotechnologies. However, it depends on a number of processing and variables that are difficult to obtain. Satellite imagery, for example, used for Earth's surface observations is a tool that presents spectral information of a target. This work aims to relate the spectral data obtain from satellite image with soil loss. A database with information of topography, soil type, rainfall, land use and occupation and management was inserted in a GIS and a soil loss map was generated. The satellite image was corrected due to atmospheric interference and non-soil targets such as water, vegetation and urban area were separated. Finally, the spectral data of the bare soil image were related to soil loss data. Soil loss data showed that 70% of the area presented losses above the tolerable limit in the literature, which is 12 Mg ha-1 ano-1. The spectral data and soil loss data have low correlation. On the other hand, mining data is more efficient to relate soil loss and spectral data. Thus future studies are needed to define classifier indices in order to subsidize land use planning decision-making and conservation strategies for natural resources preservation.
8
SUMÁRIO
1 INTRODUÇÃO ............................................................................................................................. 9
2 REVISÃO BIBLIOGRÁFICA .......................................................................................................... 10
2.1 Formas de erosão .............................................................................................................. 10
2.2 Fatores que influenciam a erosão e modelos de manejo para prevenção ....................... 11
2.3 Sensoriamento remoto aplicado a solos ........................................................................... 11
3 MATERIAS E METODOS ............................................................................................................ 14
3.1 Área de estudo .................................................................................................................. 14
3. 2 Dados de sensoriamento remoto orbital ......................................................................... 15
3.3 Obtenção de solo exposto da imagem de satélite ............................................................ 15
3.4 Modelagem da erosão ...................................................................................................... 16
3.4.1 Fator de erosividade (R) ............................................................................................. 17
3.4.2 Fator de erodibilidade (K)........................................................................................... 18
3.4.3 Fator Topográfico (LS) ................................................................................................ 19
3.4.4 Fator de uso e ocupação (C) ....................................................................................... 20
3.4.5 Fator de manejo conservacionista (P) ........................................................................ 22
3.4.6 Tolerância de perda de solos ..................................................................................... 22
3.5 Análise dos dados espectrais com a perda de solos ......................................................... 23
4 RESULTADOS E DISCUSSÕES ..................................................................................................... 24
4.1 Imagem de solo exposto ................................................................................................... 24
4.2 Analise da perda de solos .................................................................................................. 25
4.3 Relação entre os dados espectrais e perda de solos ........................................................ 33
5. CONCLUSÕES ........................................................................................................................... 38
REFERENCIAS ............................................................................................................................... 39
9
1 INTRODUÇÃO
A erosão do solo constitui, sem dúvida, a principal causa de depauperamento
acelerado das terras (Bertoni & Lombardi Neto, 1975). Agricultores e sociedade arcam
com os altos custos dos impactos, às vezes invisíveis, associados a erosão tanto local
como em âmbito global. Alguns impactos causados pela erosão do solo podem ser
controlados por práticas conservacionistas, técnicas que visam aumentar a resistência do
solo ou diminuir processos erosivos como reflorestamento, manejo de pastagens, plantio
direto e plantas de cobertura (SILVA, 2001). Para tanto, são necessários estudos que
identificam as causas desse processo.
A Equação Universal de Perdas de Solo - EUPS, desenvolvida nos anos 70 por
Wischmeier & Smith (1978), é largamente utilizada em todo o mundo, inclusive nos
trópicos. Sua razoável exatidão na estimativa da perda de solo anual em vertentes, bem
como sua simplicidade de aplicação e disponibilidade de dados, permite uma aplicação
praticamente universal (TÁNAGO, 1991; CHAVES, 1996).
O monitoramento da erosão em grandes extensões de área por métodos diretos é
um processo custoso. A utilização do geoprocessamento e Sistemas de Informações
Geográficas (SIG´s) viabilizam o processo. Nesse caso, métodos indiretos como a
modelagem matemática são utilizados. A modelagem relaciona os fatores naturais do
meio físico com a quantidade de solo a ser perdida.
O uso das geotecnologias para estudo de erosão permite a análise de múltiplos
dados realizando operações analíticas, sobreposição e cruzamento de informações. Isso
gera mapas de dados, permitindo tomadas de decisões rápidas e com baixo custo.
Os SIGs possibilitaram a incorporação de dois fatores na equação original da
EUPS, elementos variáveis tais como fator de declividade (S) e fator de comprimento da
vertente (L) os quais foram integrados à equação original. Isso permite o cálculo de
áreas maiores através de uma melhor determinação do fator de uso e manejo (C) e fator
de práticas conservacionistas (P), isso ocorre através da obtenção de dados espectrais
das imagens.
A caracterização dos solos na paisagem pode ser obtida por dados de
sensoriamento remoto, como as imagens de satélite (DALMOLIN, 2002), as quais são
amplamente utilizadas para observações da superfície da Terra. Os atributos do solo
como a textura e matéria orgânica se correlacionam bem com os dados espectrais da
imagem de satélite (DEMATTÊ, 2002), quando se apresentam expostos na imagem.
Esses atributos também se correlacionam com a perda de solo, pois influenciam na
10
resistência do solo a erosão depende do grau de dispersão e agregação das suas
partículas. Porém não existem trabalhos que correlacionam dados espectrais providos de
sensores diretamente com os atributos sob a perspectiva da perda de solos.
Desta forma, esse trabalho visa modelar a perda de solos da microbacia do
Piracicamirim, Região de Piracicaba, SP, por meio da Equação Universal de Perda de
Solos (EUPS). Gerar um mapa de solo exposto por meio de uma imagem de satélite do
Landsat sensor OLI, e correlacionar os dados espectrais da imagem de solo exposto com
os dados de perda de solos.
Isso devido ao fato que, os atributos do solo textura e matéria orgânica se
correlacionam bem tanto com os dados espectrais da imagem de satélite, como esses
influenciam na perda de solo devido ao impacto da gota de chuva na superfície.
Portanto, o objetivo é avaliar as possíveis correlações dos dados de reflectância
da imagem de satélite com os fatores da equação de perda de solos.
2 REVISÃO BIBLIOGRÁFICA
2.1 Formas de erosão
A erosão consiste no processo de desprendimento das partículas do solo causado
pelo impacto da gota de chuva em um solo nu e transporte das partículas causado pela
enxurrada, constituindo-se na principal causa da degradação dos solos agrícolas.
Existem duas formas de erosão: a erosão geológica, a qual é oriunda de fenômenos
naturais, atuando como agente benéfico para a formação do próprio solo; e a erosão
acelerada, a qual é provocada pelo homem, devido à destruição do equilíbrio das
condições naturais (BERTONI & LOMBARDI NETO, 1975).
De acordo com Magalhães (2000), as definições importantes ao se trabalhar
com erosão do solo são: erosão bruta que é a quantificação total de material desprendido
e removido pela ação dos agentes erosivos, em uma determinada área dado um intervalo
de tempo. Taxa de erosão que corresponde é a razão na qual o solo é removido a partir
de uma dada área, expressa em unidades de volume ou peso do material erodido por
unidade de área e por unidade de tempo. Sedimento sendo o produto da erosão, que foi
transportado e depositado. Essa produção é a quantidade total de sedimentos que sai de
uma dada bacia ou área de drenagem num dado período de tempo, sendo medida em
seção transversal de referência.
11
2.2 Fatores que influenciam a erosão e modelos de manejo para prevenção
O processo de erosão a desagregação do solo e transferência de sedimentos é
fortemente influenciado por fatores como distribuição anual de chuvas, uso e manejo do
solo, condições geomorfológicas do terreno e umidade presente (MINELLA &
MERTEN, 2006). Além disso, fatores naturais como eventos meteorológicos
(precipitação, vento e desgelo), geologia (composição da rocha base e movimentos das
placas tectônicas) a topografia (gradiente de declividade, comprimento e direção da
rampa), características do solo (textura, matéria orgânica que tem influência na estrutura
e permeabilidade), composição da superfície e cobertura vegetal (WMO, 2003).
Nos casos de manejo do solo, as operações de preparo devem ser reduzidas ao
mínimo, mitigam-se assim os riscos de degradação do mesmo (SALTON, 2001). Com a
finalidade de obtenção de aumento na produção das culturas, diminuindo as perdas de
solo e água, restos de cultura, adubação verde, entre outros manejos conservacionistas.
O plantio deve ser feito preferencialmente paralelamente às curvas de nível. Quando o
declive for maior que 40%, não é recomendado o uso agrícola, mas se for plantado é
imprescindível terraceamentos e faixa de retenção (BACCARO et al., 1994.).
Para obtenção de sucesso, a aplicação de modelos de predição de erosão no
planejamento ou controle são importantes. O modelo mais conhecido e utilizado é a
equação universal de perdas de solo. O modelo fornece a perda de solo média anual,
oriunda da erosão laminar.
2.3 Sensoriamento remoto aplicado a solos
A utilização de sensoriamento remoto é caracterizada por obter informações de
um objeto sem existir contato físico com o mesmo (JENSEN, 2011). De forma geral,
para o sensoriamento remoto uma fonte de energia, como o sol é necessário, o sensor
capta essa energia que interage com o alvo e reflete em diferentes faixas do espectro
eletromagnético. Essa informação é enviada a uma estação de recepção para
interpretação e análise dos dados (Figura 1).
Segundo Jensen, (2011) o comportamento espectral dos alvos está relacionado
ao processo de interação entre os objetos e feições terrestres com a radiação
eletromagnética (REM) incidente. Este processo depende da estrutura atômica e
molecular de cada alvo. Os elétrons dos materiais estão distribuídos em diferentes níveis
energéticos, em torno dos núcleos de seus átomos. Estes níveis eletrônicos podem
absorver maior ou menor quantidade da energia da REM. Esta absorção implica na
12
diminuição da quantidade de energia da REM refletida pela matéria, em certas faixas do
espectro eletromagnético, faixas estas denominadas bandas de absorção.
Várias aplicações podem ser abordadas, entre elas se destacam os estudos via
dados orbitais para identificação de atributos do solo. Dados espectrais obtidos de vários
tipos de solos compõe as bibliotecas espectrais de solos, as quais auxiliam no
mapeamento digital do solo (RIZZO et al., 2016). Recentemente, muitos pesquisadores
da área do mapeamento digital de solos de diversos lugares do mundo criaram uma
biblioteca espectral global (VISCARRA ROSSEL et al., 2011). Os mapeamentos são
importantes, pois auxiliam no manejo das áreas agrícolas.
Figura 1. Obtenção de dados de sensoriamento remoto em plataformas orbitais. Fonte:
Adaptada de Jensen, (2011).
Considera-se que a reflectância dos solos é uma propriedade cumulativa que
deriva do comportamento espectral intrínseco devido às heterogêneas combinações de
matéria mineral, orgânica e fluída que compõem os solos minerais (STONER &
BAUMGARDNER, 1981). Segundo Formaggio (1996), as contribuições relativas dos
atributos dos solos para o seu comportamento espectral como, modelagens quantitativas
são complexas. Principalmente quando os dados são obtidos via satélite, pois as
influências atmosfericas mascaram muitos atributos.
Quando os solos são estudados em condições de laboratório, os principais
fatores que influenciam os dados espectrais são teor de matéria orgânica, a
13
granulometria, o teor de óxidos de ferro, o tipo de mineralogia de argila e o conteúdo de
umidade (DEMATTÊ et al., 2006). Se as medidas espectrais forem obtidas em
condições de campo, as condições de superfície (rugosidade, presença de restos
culturais, porcentagem de cobertura vegetal) constituem fatores interferentes.
14
3 MATERIAS E METODOS
3.1 Área de estudo
A área de estudo é a microbacia do Piracicamirim, engloba parte da cidade de
Piracicaba/SP, Saltinho e Rio das Pedras (Figura 2). A área da microbacia representa
131,72km2. Essa microbacia possui recursos florestais degradados, uso da terra com
predomínio de cana-de-açúcar e ocorrência de áreas urbanizadas (BARRETTO et al,
2006).
Figura 2. Localização da área de estudo em relação ao Estado de São Paulo.
A área estudada está enquadrada geomorfologicamente na Zona do médio Tietê
da província da Depressão Periférica (ALMEIDA, 1964), compreendendo vários
afluentes do rio Piracicaba. A Depressão Periférica é citada por Penteado (1976) e por
Ab'Saber (1969) como um faixa erosiva deprimida entre as escarpas avançadas dos
declives arenítico-basálticas e o Planalto Cristalino Atlântico, podendo ter sido formado
por erosão diferencial, entre rochas sedimentares e rochas cristalinas (basalto).
De acordo com a carta pedológica semi-detalhada de Piracicaba SF 23Y-A –IV,
escala publicação 1:100.000 (OLIVEIRA; PRADO, 1989), os principais solos
encontrados na região são: Latossolo Vermelho (LV), Latossolo Vermelho Escuro (LE),
15
Argissolo Vermelho (PV), Planossolo Háplico (SX), Neossolo Litólico (RL) e Gleissolo
Háplico (GX).
O clima é classificado como Cwa, conforme o sistema Köppen (KÖPPEN;
GEIGER, 1928), caracterizado como subtropical com inverno seco, compreendendo os
meses entre junho e agosto, e verão chuvoso principalmente entre novembro e janeiro.
A altitude varia de 491 a 695 metros.
3. 2 Dados de sensoriamento remoto orbital
Os dados do Landsat OLI foram adquiridos por meio do USGS, brutas sem
processamento, mas georreferenciadas em uma resolução espacial de 30m (Bandas 1, 2,
3, 4, 5, 6 e 7) e resolução radiométrica de 16 bits. As faixas espectrais do sensor Landsat
compreendem:
OLI1 – azul (VIS: 430 – 450 nm)
OLI 2 – azul (VIS: 450 – 510 nm)
OLI 3 – verde (VIS: 530 – 590 nm)
OLI 4 – vermelho (VIS: 640 – 670 nm)
OLI 5 – infravermelho próximo (NIR: 850 – 880 nm)
OLI 6 – infravermelho de ondas curtas (SWIR 1: 1570 – 1650 nm)
OLI 7 – infravermelho de ondas curtas (SWI2 2: 2110 – 2290 nm)
A imagem escolhida foi do dia 30 de julho de 2016, pois nesta época muitos dos
solos da região costumam estar arados e gradeados, estando com a sua superfície
exposta. Além disso, essa é uma época menos chuvosa e com menos interferência de
umidade do solo.
3.3 Obtenção de solo exposto da imagem de satélite
A imagem obtida foi processada para transformar o valor dos números digitais
obtidos pelo sensor em valores físicos de radiância e depois em reflectância para
analisar a informação espectral (PONZONI et al., 2012). A verificação das correções se
deu mediante analise do perfil dos alvos conhecidos (DEMATTÊ, 2002; PONZONI et
al., 2012; GALLO, 2015) (Figura 3).
16
Figura 3. Comportamento espectral dos alvos obtidos de imagem de satélite
Landsat. Fonte: Adaptado de Gallo (2015)
O índice para obter solo exposto foi aplicado na imagem, em que foi executado a
diferença normalizada entre a banda 4 e 5 para contrastar água e vegetação. Valores
negativos referentes a esses dois índices foram eliminados, separando assim os alvos de
água. O Índice de Vegetação por Diferença Normalizada (NDVI) (Eq 1), proposto por
Rouse et al. (1973) foi utilizado para contrastar solo e vegetação. Os índices de
vegetação se fundamentam no comportamento antagônico da reflectância nas duas
regiões espectrais do VIS-NIR. Através de análise por pixels, valores que apresentaram
vegetação rala, moderada e densa foram separados mantendo-se somente pixels com
solo exposto.
NDVI = (ρb4 – ρb3)/(ρb4 + ρb3) (Eq 1)
Em que, ρb3: reflectância no vermelho, ρb4: reflectância no infravermelho
próximo
3.4 Modelagem da erosão
As taxas anuais de perda de solo foram estimadas pela Equação de Perda de Solo
Universal (EUPS), embora essa equação foi originalmente desenvolvida por
Wischmeier & Smith (1978) para estimar a perda de solos em vertentes homogêneas.
17
Alguns autores obtiveram sucesso aplicando a estimativa de perda de solos em
ambientes com relevos mais complexos em escala regional como Galdino et al., (2016).
Desta forma, aplicamos a EUPS em ambiente SIG para estimar a perda de solos da
microbacia do Piracicamirim.
Conforme descrito na equação 2, o modelo da EUPS considera o produto de seis
fatores, o qual estima a perda de solos por unidade área em Mg ha-1 ano-1.
A = R. K. L. S. C.P (Eq. 2)
Em que, A: perda de solo calculada por unidade de área ou taxa de perda de solo
(Mg ha-1 ano-1), R: Fator erosividade da precipitação (MJ mm ha-1 h-1 ano-1), K: fator de
erodibilidade do solo (Mg h MJ-1 mm-1), L: fator comprimento da vertente
(adimensional), S: fator de declividade da vertente (adimensional) e C: Fator de uso e
manejo do solo (adimensional)
3.4.1 Fator de erosividade (R)
O fator da erosividade representa o poder energético da chuva (intensidade e
tempo de duração, volume e frequência) junto a taxa de arraste do solo resultante do
escoamento superficial, ou seja, é a capacidade da chuva de desprender e transportar
sedimentos. O EI30, é o produto da energia cinética total (Ec) e intensidade máxima de
precipitação em 30 min (I30) com base nos dados de chuva obtidos de pluviôgrafo, este
apresenta melhor correlação com as perdas de terra e não considera a chuva uniforme.
(BERTONI & LOMBARDI NETO, 2014).
Para espacializar o índice de erosividade, em que a chuva varia com a região
geográfica foi utilizado em nosso estudo os dados mensais e anuais de precipitação de
uma série histórica de 20 anos obtida pelo Departamento de Água e Energia Elétrica
(DAEE) a partir de dados de pluviômetro. Para nossa região a equação 3 foi utilizada
conforme determinada por Lombardi Neto & Moldenhauer, (1992).
EI30 = 67,355*(r2/Ppt)0,85 (Eq 3)
Em que, EI30 é a média do índice de erosividade (MJ mm ha-1 h-1), r: média do
total mensal de precipitação (mm), Ppt: média do total anual de precipitação (mm).
18
O fator R foi determinado pelo somatório dos EI30 dos 12 meses anuais, e
utilizado para toda a microbacia como feito em muitos trabalhos, por exemplo mais
recente em Fiorio et al., (2016). Todos os cálculos foram processados em planilha
eletrônica e foi atribuído um único valor de R para toda a microbacia.
3.4.2 Fator de erodibilidade (K)
A erodibilidade é a sucetibilidade do tipo de solo a erosão, se refere a resistência
dos agregados ao impacto da gota de chuva. K se baseiam em equações matemáticas
(Tabela 1) que relacionam as características granulométricas, teor de matéria orgânica,
índices de agregação, índices de estrutura e índices de permeabilidade.
Esses índices têm como base atributos ou parâmetros do solo determinados em
laboratório e possibilitam avaliar a susceptibilidade relativa dos solos à erosão. Para
esse estudo utilizamos como referência Mannigel et al. (2002) e com dados de
porcentagem textural obtidos através do Mapa de solos do IAC. Estes autores
descrevem a diversidade de erodibilidade do solo em São Paulo com base nos dados de
textura conforme o modelo mais clássico que é a equação de Bouyoucos (BERTONI &
LOMBARDI NETO, 2014).
19
Tabela 1. Métodos para cálculo do índice de erodibilidade com base nos atributos dos solos e a literatura em que se encontram esses cálculos.
Referência Índice de erodibilidade Atributos do solo
Bouyoucos (%areia) + (%silte)/(%argila) Textura
Wischmeier & Smith (1978)
100K=0,1317*(2,1*10-4
* (12-
MO)M1,14
+3,25*(S-2)+2,5*(P-3))
Textura, matéria orgânica, permeabilidade e estrutura.
Middleton (1930) (%argila) + (% silte disperso em água) / (%argila + silte total)
Características granulométricas
Lombardi Neto & Bertoni (1975)
((%argila dispersa em água) / (%argila total)) / ((%argila total/ (% umidade equivalente))
Características granulométricas e umidade
Lima (1987) ((%argila + %silte disperso em água) / (% silte + argila total)) / %argila total / % umidade equivalente
Características granulométricas e umidade
Denardin (1990)
=0,00608397 * P+0,00834286 * (% carbono orgânico*1,72) -0,00116162 * (óxido de alumínio extraído por ataque sulfúrico + 0,00037756) * ( % areia> 0,5)
Textura, matéria orgânica, carbono orgânico e permeabilidade
Mannigel et al 2002) Bouyoucos Textura
Silva & Alvares (2005)
Média do K para diferentes ordens de solo baseado em diversos autores
Demarchi & Zimback
Bouyoucos Denardin (1990)
Textura, Características granulométricas, matéria orgânica e permeabilidade
Lima (2016) Bouyoucos Textura
3.4.3 Fator Topográfico (LS)
O fator LS representa o fator comprimento de rampa/vertente (L) e fator de
declividade da vertente (S). Sendo a proporção de perda de solo por unidade de área
para uma parcela 22,13 m de comprimento e inclinação uniforme de 9% (Wischmeier &
Smith, 1978). A superfície não é uniforme e pode ser linear, côncava e convexa, desta
forma para cada comprimento de rampa é necessário calcular o LS. Esta transposição
em escala para regiões foi possível devido ao desenvolvimento considerável da
tecnologia SIG nas últimas décadas. A ideia das superfícies incorporada ao ambiente
SIG também é possível uma vez, que temos dados do Modelo Digital de Elevação
20
(MDE) disponíveis e gratuitos obtidos por sensoriamento remoto orbital. Em nosso
estudo os fatores LS foram calculadas a partir do MDE do estado de São Paulo
fornecido pelo projeto TOPODATA (VALERIANO, 2008), cuja a resolução espacial é
de 90 metros e interpolados para 30 metros.
O fator L foi calculado empregando o método de Desmet e Govers (1996) (Eq.
4), cujo algoritmo usa o conceito de área acumulada e direções de fluxo (Moore et Al.,
1991), obtido pela declividade e da área do pixel que será a unidade básica. O mapa de
declividade utilizado foi obtido a partir da manipulação dos dados topográficos do
banco de dados TOPODATA.
L�,� =(��,���,����)����(��,���,�)���
(����) � ���,��� � (��,��)�
Eq 4
Em que, L é o fator de comprimento de inclinação de uma célula de grade (i, j),
A é a área de contribuição de uma célula de grade (i, j) (900m2), D é a largura/altura das
células que formam uma grade regular (m) (30 m), x é o valor da direção do fluxo
calculado a partir da declividade e m é o coeficiente determinado de acordo com a
declividade (graus).
O Fator S foi calculado a partir das equações 5 e 6 como proposto por McCool et
al. (1987), considerando um limiar íngreme (α) de 9%.
S = 10,8 x sen (a) + 0,03; Se α < 9% Eq. 5
S = 16,8 × sen (α) - 0,5; Se α ≥ 9% Eq. 6
Em que S é o fator de inclinação (adimensional), e α é o ângulo de inclinação
(graus).
3.4.4 Fator de uso e ocupação (C)
O fator C de uso e ocupação do é a relação entre perdas de solo de um terreno
cultivado em dadas condições e as perdas correspondentes de um terreno mantido
continuamente descoberto. Para obter o fator C primeiramente foi gerado o mapa
temático de uso e ocupação tendo como base a imagem de satélite Landsat OLI de 30 de
julho de 2016. A imagem foi classificada por meio de treinamentos das feições dos
21
alvos da imagem e foi gerado um mapa de forma supervisionada. As classes foram
divididas conforme os usos treinados (cana de açúcar - cultura predominante, mata,
corpos d`água e área de reforma de cana de açúcar – solo exposto), assim foi
determinado o fator C com base nas referências encontradas da tabela 2. O fator C varia
de 0 a 1,0 (adimensional).
Para o cultivo de cana de açúcar e mata foi considerado o fator C único que
descreve a perda de solo de um sistema de manejo em um ano e que tem como base: 1)
Informações sobre as características de manejo e vegetação ao longo do tempo para o
sistema de manejo adotado. 2) Distribuição da erosividade dentro do ano. 3) Relação de
perda de solo para cada período vegetativo e de influência das práticas de manejo
Para áreas de reforma de cana de açúcar a figura 4 foi utilizada para
determinação do fator C que considera o fator de cobertura vegetativa e o efeito da
energia cinética contida nas gotas de chuva.
Tabela 2. Fator C para cada uso da microbacia Uso e Cobertura do solo Fator C Referência
Corpo d´água 0,00 Mata 0,0001 Bertoni & Lombardi Neto (2014)
Área de reforma de cana de açúcar 1 Wischmeier & Smith (1978) Cana de açúcar 0,3066 Weill & Sparovek (2008)
Figura 4. Influência da cobertura vegetativa e o efeito da energia cinética
22
3.4.5 Fator de manejo conservacionista (P)
O fator de prática de suporte (fator P) se refere às práticas conservacionistas
como os terraços, os alinhamentos de plantio, plantio direto, o que o manejo faz pra
reduzir erosão. Sendo este o fator de práticas conservacionistas (adimensional) a relação
entre as perdas de solo de um terreno cultivado com determinada prática e as perdas
quando se planta morro abaixo (SILVA, 2008). Cana de açúcar no caso do estado de
São Paulo, geralmente pode-se assumir que o manejo agrícola é em grande parte
mecânico em todas as etapas da produção agrícola, mas as práticas de conservação para
cada parcela de produção não podem ser determinadas.
Conforme Wischmeier & Smith (1978) utilizamos a inclinação (α) como a
propriedade chave para práticas de conservação do solo, como muitas atividades do
sistema de manejo são extremamente dependentes da declividade da área. Além disso,
caracterizamos o terreno como agrícola ou outros usos e subdividimos as áreas agrícolas
em seis classes de declive. As classes indicam os seguintes valores de P de acordo com
o ângulo de inclinação (α): P = 0,1 para 0≤ α ≤ 5%; P = 0,12, para 5% <α ≤ 20%; e P =
0,14, para α> 20%. Desta forma o fator P foi resultado do mapa temático de uso e
ocupação e da combinação com do mapa de declividade por meio de SIG.
3.4.6 Tolerância de perda de solos
A EUPS vem sempre associada ao valor de Tolerância de perda de solos. A
tolerância de perda de solos é usada para designar a intensidade máxima de erosão de
solo que permitirá elevado nível de produtividade por longo período de tempo
(WISCHMEIER & SMITH, 1978). Os valores de tolerância variam de acordo com o
tipo de solo, considerando a profundidade e as propriedades físicas. Bertoni &
Lombardi Neto (1975) analisaram 75 perfis de solo do Estado de São Paulo e estimaram
para os solos com horizonte B textural (Bt) valores de tolerância no intervalo de 4,5 a
13,4 Mg ha-1 ano-1, para os solos com B latossólico (Bw) um intervalo entre 9,6 a 15 Mg
ha-1 ano-1. Porém, Bertoni & Lombardi Neto (2014) adotaram uma média de 12 Mg ha-1
como valor limite para solos profundos, permeável e bem drenados, enquanto que para
os solos mais rasos a média da tolerância varia entre 2 a 4 Mg ha-1.
23
3.5 Análise dos dados espectrais com a perda de solos
A partir dos valores de refletância das sete bandas do sistema Landsat-8 OLI
utilizada para a classificação supervisionada de uso e ocupação do solo foi realizada
uma análise de correlação entre os dados espectrais do solo exposto obtida, os fatores da
EUPS e o resultados da perda de solos. Foi utilizado o índice KAPPA através de 3
algoritmos de validação cruzada sendo estes: Árvore de decisão, Random Forest e
Redes Neurais com o objetivo de modelar a perda de solo calculada através da
refletância obtida e a matriz de confusão.
24
4 RESULTADOS E DISCUSSÕES
4.1 Imagem de solo exposto
A áreas de solo exposto para a imagem de 30 de julho de 2016 representa 27%
da área total da microbacia (Figura 5). Para manter a cor da imagem original na imagem
de solo exposto é necessário aplicar um realce na imagem no histograma de cores. Os
valores máximos e mínimos para a composição RGB foram alterados, em que os
valores em porcentagem de reflectância mínima foram 2,7, 9,53 e 2,22 e os valores em
porcentagem de reflectância máxima foram 13,92, 23,34 e 14,84 para composição RGB
(754) respectivamente.
As manchas de solo exposto apresentam diferentes tons de rosa e violeta. Os
tons mais escuros, cujo RGB apresenta valores mais baixos possuem baixos valores de
reflectância. Os solos argilosos absorvem mais no infravermelho, devido aos
argilominerais presentes na fração argila do solo. Desta forma, é possível associar os
tons mais escuros da imagem com os solos argilosos. Por outro lado, os solos arenosos
possuem alta reflectância devido ao quartzo na fração areia do solo, o que resultam em
cores mais claras.
Figura 5. Imagem de solos exposto obtida da imagem do dia 30 de julho de 2016.
25
A textura é um dos atributos dos solos que se relaciona com a desagregação e
dispersão causada pelo impacto da gota de chuva e transporte pela chuva e enxurrada.
Os solos siltosos possuem maior erodibilidade, ou seja, menor resistência a erosão. No
entanto, não são comuns no Brasil, em que predominam os solos de textura arenosa,
média e argilosa. Os solos de textura média geralmente possuem maior erobidilidade,
devido a granulometria, sendo que os argilosos possuem maior poder de agregação e
menor dispersão, enquanto que os solos com textura arenosa são mais pesados para
serem dispersos. No geral os solos de textura média a arenosa possuem estrutura frágil e
agregação fraca (MEDEIRO et al., 2016). Porém, a textura interfere de forma diferente
e, às vezes, oposta nas diferentes fases do processo de erosão.
4.2 Analise da perda de solos
A variabilidade espacial do fator K para a microbacia varia de 0,0101 a 0,1062.
A interpretação da erodibilidade se baseia em Carvalho (1994) que foi convertida para o
Sistema Internacional de unidades, conforme Foster et al. (1981) (Figura 6). As classes
de erodibilidade para interpretação são: < 0,01529 (baixa); 0,01529 - 0,3058 (média);
>0,3058 (alta). Nota-se que das cinco classes de solos, os Argissolos têm erodibilidade
considerada alta e os Latossolos e Gleissolos com textura argilosa possuem
erodibilidade considerada baixa. As cinco classes em que a textura é média indica
erodibilidade média.
No entanto, LE - 1 com textura média é considerado como erodibilidade alta, o
LE – 2 de textura argilosa é classificada como erodibilidade média, mas no geral os
Latossolos são resistentes a erosão devido seu alto grau de intemperismo, possui boa
permeabilidade por serem profundos e geralmente estão localizados em relevos planos,
razão pela qual são área de em que a agricultura é mecanizada.
O PV9 é classificado como erodibilidade médio diferente dos outros Argilosos
considerados altos, essa variação entre os argissolos pode ser explicado pela diferença
textural entre os horizontes. Devido a diferença textural, os Argissolos são altamente
susceptíveis a erosão, pois a camada A muitas vezes é lavada com a água, já que a
camada B é menos impermeável. Os Planossolos também apresentam diferença textural,
mas na paisagem se encontram em áreas de relevos mais planos. Isso pode reduzir a
taxas de perdas de solos, mas também podem receber sedimentos das áreas mais altas
do relevo, como das áreas das superfícies dos Argissolos nessa microbacia.
26
Figura 6. a) Carta de solos semi-detalhada IAC (SF-23-Y-A-IV) de Piracicaba
(OLIVEIRA; PRADO, 1989), b) mapa de textura de superfície a partir da carta de solos
e c) classes de erodibilidade
A predominância da cultura de cana-de-açúcar como nessa microbacia indica
manejo intensivo, com aplicação periódica de insumos agrícolas (fertilizantes e
calcário). Em áreas com elevada aplicação de calcário tende a ocorrer elevação do pH,
nesse caso a argila dispersa diminui a resistência a erosão. Desta forma, mesmo em
solos argilosos que existe boa agregação das partículas, e possui maior resistência ao
impacto da gota de chuva pode ocorrer a dispersão se o manejo do calcário não for
27
cuidadoso. Além disso, a erodibilidade também varia com o tempo em função da
umidade do solo.
A umidade do solo condiciona parcialmente a consistência do solo e
consequentemente a sua resistência a erosão hídrica, por isso algumas chuvas de alta
erosividade ocasionam baixas perdas de solo enquanto outras de baixa erosividade
produzem altas perdas. (Bertol et al., 2002). Esses casos ocorrem tipicamente no
inverno quando o clima é seco e frio, época que os agricultores aram e gradeiam os
solos deixando-os expostos e ficam sujeitos a ocorrência das chuvas frontais
(intensidade moderada e longa duração) sobre essas superfícies expostas. Nesse caso,
seria necessário analisar os dados diários de precipitação de um evento para esse
período. Porém, nesse estudo, nós consideramos os dados mensais e anuais médios de
uma série histórica de 20 anos, em que o índice de erosividade nesse caso continua
sendo satisfatório para indicar as áreas mais críticas que necessitam de controle de
erosão.
A distribuição média das chuvas na região da microbacia para os 20 anos
(Tabela 3) mostra que os meses de janeiro, dezembro e fevereiro apresentam maiores
taxas de precipitação, enquanto que agosto, junho e julho apresentaram menores taxas
de precipitação. Nota-se que os índices de erosividade para esses meses variam com a
quantidade de precipitação, ou seja, altos índices de erosividade indicam altas taxas de
precipitação (Tabela 4). O valor da erosividade calculado (6480,67 MJ mm ha-1 h-1) para
a microbacia é compatível com os valores apresentados por (Bertoni e Lombardi Neto
(2014) para o fator erosividade da chuva no estado de São Paulo.
28
Tabela 3. Precipitações de dados pluviométricos para a série histórica de 1997 a 2016.
Ano Precipitações acumuladas mensais
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez TOTAL
1997 334,4 144,8 33,9 38,5 48,8 125,6 19,5 10,5 98,3 47,1 242,1 200,7 1344,2 1998 147,2 485,3 180,4 64,8 106,7 22,8 15,6 15,8 67,0 182,6 19,1 289,3 1596,6
1999 348,6 162,2 266,8 93,5 48,6 64,1 10,6 0,0 73,2 18,2 22,8 211,1 1319,7 2000 177,1 144,6 151,9 1,9 9,9 2,7 62,0 81,1 98,8 113,1 239,6 203,5 1286,2
2001 250,6 123,3 106,2 47,7 75,9 16,7 26,4 45,9 52,3 196,5 189,6 127,4 1258,5 2002 352,2 245,6 323,3 14,1 121,8 0,0 7,5 87,5 45,7 48,7 158,2 150,4 1555,0
2003 369,3 99,9 215,9 49,7 54,0 5,5 23,0 13,3 8,0 111,2 84,6 129,8 1164,2 2004 214,7 178,6 93,9 110,9 80,1 55,7 77,3 0,0 5,0 134,5 123,3 132,6 1206,6
2005 190,5 70,8 130,0 29,9 149,1 40,0 0,0 20,0 46,3 110,5 34,1 123,0 944,2 2006 275,2 133,5 169,9 47,1 1,3 16,7 40,2 20,0 71,9 106,3 182,5 206,7 1271,3
2007 297,7 185,4 54,9 6,2 50,7 18,5 158,1 0,0 0,0 90,9 114,8 309,1 1286,3 2008 232,1 125,7 137,0 212,8 92,2 35,1 0,0 62,7 48,4 197,3 42,7 176,0 1362,0
2009 153,5 138,1 98,3 16,5 20,6 58,3 63,8 52,9 134,9 64,1 169,5 253,0 1223,5 2010 291,5 120,0 147,8 71,7 27,9 9,2 64,3 0,0 60,3 68,0 44,7 247,8 1153,2
2011 448,4 160,1 245,0 151,7 13,6 55,0 2,3 14,2 16,6 216,8 132,6 145,4 1601,7 2012 236,0 204,8 97,2 162,9 63,2 168,5 24,2 0,0 48,3 88,5 98,9 197,0 1389,5
2013 252,1 101,7 142,4 161,3 92,3 118,9 67,6 3,5 37,2 133,5 108,9 109,3 1328,7 2014 115,9 45,3 137,6 59,5 39,2 3,9 23,6 7,9 94,7 24,9 169,5 275,1 997,1
2015 184,7 252,0 134,9 31,2 70,2 10,7 34,1 18,3 186,0 81,5 256,3 198,5 1458,4 2016 297,8 196,5 152,6 5,4 119,1 202,5 2,1 32,4 25,8 140,3 270,3 0,0 1444,8
MÉDIA 258,5 165,9 151,0 68,9 64,3 51,5 36,1 24,3 60,9 108,7 135,2 184,3 1309,6
29
Tabela 4. Índice de erosividade para série histórica de 1997 a 2016.
Mês Chuva Coeficiente de Chuva (Rc) EI30 (MJ mm ha-1h-1ano-1)
Jan 258,48 51,02 1906,77 Fev 165,91 21,02 897,37
Mar 151,00 17,41 764,58 Abr 68,87 3,62 201,27
Mai 64,26 3,15 178,93 Jun 51,52 2,03 122,90
Jul 36,11 1,00 67,17 Ago 24,30 0,45 34,25
Set 60,94 2,84 163,49 Out 108,73 9,03 437,47
Nov 135,20 13,96 633,67 Dez 184,29 25,93 1072,80
TOTAL 1309,59 - 6480,67
O comprimento de rampa (L) variou de 0 a 2,81 (Figura 7), quanto maior o fator
L maior é a velocidade da enxurrada e concentração da água, o que leva a propensão de
ocorrência de erosão laminar (MEDEIRO et al., 2016). A declive da vertente (S) variou
de 0,03 a 4,1 (Figura 7), sendo que os valores mais baixos indicam áreas planas e
valores mais altos indicam áreas de relevo suave ondulado a ondulado. O comprimento
de rampa tem influência sobre o volume da enxurrada, quanto maior o valor do declive
maior o peso do comprimento de rampa. Desta forma, nota-se que a declividade tem
maior peso sobre as taxas de perda de solos. Os resultados dos valores LS (Figura 7)
corroboram com valores encontrados por (BERTONI & LOMBARDI NETO, 2014).
Para os 75 solos do estado de São Paulo analisados os valores correspondentes variaram
entre 0,03 (L= 5m e S = 1%) a 6,14 (L= 100 m e S = 20%).
No universo das áreas agrícolas o fator do LS é um dado topográfico utilizado
para indicar uso e ocupação, e auxilia a definir as áreas aptas para a agricultura. A maior
parte das áreas agrícolas no Brasil apresentam taxas de declividade variando de 4% a
12% (Bertoni & Lombardi Neto, 1975). Nessas áreas o uso da mecanização costuma ser
intenso, assim como outros manejos (correção da fertilidade) comprometendo a
qualidade dos solos e expondo-os a maiores perdas.
O fator C variou de 0 a 1 (tabela 2), em que valores próximos de zero indicam
boa proteção pela cobertura, como as áreas cobertas por mata que representa quase 17%
da área da microbacia (tabela 5). Enquanto que, os valores próximos de um indicam
pobre proteção de cobertura, como podemos notar nas áreas de reforma de cana, em que
30
o solo se apresenta exposto e representa cerca de 40% da área da microbacia no mês de
julho de 2016 (Tabela 5). O segundo uso mais frequente na bacia (tabela 5) é a
urbanização representando quase 30 % da microbacia. Vale ressaltar que as áreas
denominadas como Peri urbanas (entre as cidades e a área rural) geram altas taxas de
perdas de solos nas áreas rurais subjacentes, as quais são difíceis de serem controladas e
remediadas por questões sociais, frutos da expansão urbana desordenada e pela falta de
políticas públicas.
O fator P se refere as práticas conservacionistas considerando o uso e ocupação e
a declividade (Figura 8), por isso para as áreas agrícolas a distribuição do declividade e
fator P são similares. A aplicação do EUPS em escala regional, favorecida pelo
gerenciamento de dados digitais no SIG, resulta em generalizações, em particular para
os fatores C e P (MEDEIRO et al., 2016).
Figura 7. Fator de comprimento de rampa (L), fator de declividade de vertente (S) e o
fator LS produtos do L e S.
31
Tabela 5. Distribuição das classes de uso e ocupação na microbacia Classe de Uso e Cobertura do solo Área (Km2) Área (%)
Corpo d´água 0,87 0,66 Mata 22,16 16,82 Palha 6,45 4,90
Solo exposto 53,12 40,33 Cultura de cana de açúcar 10,95 8,31
Urbano 38,17 28,98 Total 131,72 100
Figura 8. Declividade, mapa de uso e ocupação e fator de manejo (P)
A estimativa de perda de solos para a microbacia (Figura 9) mostra que 70% da
área apresenta perdas acima de 12 Mg ha-1 ano-1 (Tabela 6). Valor limite estipulado
por Bertoni & Lombardi Neto (2014) para estimativa da perda de solos. As altas taxas
de perdas se relacionam ao uso agrícola intenso e ao uso inadequado dos solos frágeis.
Diante do exposto, estudos sobre a dinâmica da erosão e os valores atribuídos a
tolerância precisam ser entendidos no espaço e tempo, embora seja limitado a
disponibilidade de dados. Os solos são recursos ameaçados de esgotamento e é finito,
por isso discussões sobre implementações de práticas conservacionista e políticas de uso
32
dos solos devem ser motivadas principalmente sob a perspectiva futuras da segurança
por demandas de alimentos e energia podendo ser exaurido se não bem manejado.
Figura 9. Estimativa de perda de solos obtida pelo modelo EUPS
Tabela 6. Área da estimativa da perda de solos por classes
Perda de solo estimada (Mg ha-1 ano-1) Área (Km2) Área (%) <1 22,53 24,12
1 – 5 0,79 0,03 5 – 12 3,61 3,86 12 – 25 8,93 9,56 25 – 50 13,71 14,68
50 – 100 17,75 19,00 100 – 200 12,93 13,84
>200 13,18 14,10 Total 93,43 100
33
4.3 Relação entre os dados espectrais e perda de solos
As curvas espectrais representam a média dos dados espectrais de solo exposto
em função da classe de erodibilidade, sendo baixa (Figura 10), média (Figura 11) e alta
(Figura 12). As curvas apresentam diferenças entre as formas e intensidade,
representando uma análise qualitativa. Observamos que para todas as classes a banda 5
apresenta maior intensidade de reflectância.
As diferenças na inclinação na porção do espectro ao longo das curvas entre os
solos com as diferentes erodibilidades é devido à influência das feições dos principais
argilominerais (caulinita e gibsita). Esses argilominerais ocorrem mais frequente nos
solos tropicais, devido às condições de intenso intemperismo, causam a diminuição do
albedo do perfil espectral. Esses estão presentes na região do SWIR 2 (2110 a 2290 nm)
simulada pela banda TM7 e ausentes na região do SWIR 1 (1570 a 1650 nm) e NIR
(850 a 880) simulada pela banda 6 e 5 respectivamente (MADEIRA NETO;
BAPTISTA, 2000).
Figura 10. Curva espectral média dos solos com baixa erodibilidade obtidas de dados
de satélite.
A diminuição da reflectânica na região do VIS (430 a 670) é devido a presença
dos óxidos de ferro (hematita e goethita). Esses minerais influenciam diretamente na cor
do solo (SCHWERTMANN, 1989), por isso enxergamos os solos de cores variadas. As
cores vermelhas do solo indicam ser ricos em principalmente hematita, enquanto que as
0
2
4
6
8
10
12
14
16
Fat
or d
e R
efle
ctân
cia
Bandas OLI (nm)
Erodibilidade Baixa
LE - 2 argilosa
LE - 2 + PE argilosa
G - 1 argilosa
34
cores amareladas são devido à presença de goethita. A variação no matiz é devido aos
óxidos de ferro, mas também é influenciada pelo teor de matéria orgânica. A matéria
orgânica por sua vez ao receber energia promove absorção e diminui a reflectância.
Os solos argilosos possuem maior agregação, partículas menores e elementos
componentes que absorvem energia, o que provavelmente resulta em maior absorção da
energia incidente, refletindo na diminuição da reflectância, em todo espectro no VIS-
NIR-SWIR (430–2900nm) (FRANCESCHINI et al., 2013). Observamos que a
amplitude da intensidade da curva espectral em solos com baixa erodibilidade é menor e
a forma varia pouco entre as três classes de solos, em que a textura é argilosa (Figura
10). Isso mostra que a agregação das partículas mais finas dos solos não varia a
intensidade da curva espectral, assim essas curvas representam solos mais resistentes a
erosão.
Figura 11. Curva espectral média dos solos com média erodibilidade obtidas de dados
de satélite.
Solos com erodibilidade média e alta possuem curvas espectrais com maior
amplitude na intensidade e variação na forma, pois são influenciados pela presença de
quartzo na fração areia e partículas maiores que as da fração argila do solo (Figuras 11 e
0
2
4
6
8
10
12
14
16
18
Fat
or
de R
efle
ctân
cia
Bandas OLI (nm)
Erodibilidade Média
LE - 2 argilosa
Li - 3 média
G - 3 média
PL média
LV - 2 média
LE - 1 média
PV - 9 média
35
12). Os solos com erodibilidade média comporta a maioria das classes de solo com
textura média. O Planossolo (PL) apresentou a maior fator de reflectância ao longo de
todo o espectro eletromagnético, pois possuem diferença textural, nesse caso é
classificado como textura média em superfície (horizonte A) que é o horizonte
diagnostico e arenoso em superfície explicando sua maior reflectância, já que os dados
de satélite só captam informações de superfície.
Figura 12. Curva espectral média dos solos com alta erodibilidade obtidas de dados de
satélite.
Alguns solos textura média foram classificados com alta erodibilidade
juntamente com os solos arenosos, o que é de se esperar, pois os solos com textura
médias são mais susceptíveis a erosão por apresentaram granulometria mais fina que os
arenosos, sendo mais fácil serem desagrados pelo impacto da gota de chuva e
carregados já que são mais leves que os grãos de quartzos.
A correlação entre as bandas e os fatores das EUPS apresentaram baixa
correlação (Tabela 7). O fator C (1 – área de reforma de cana de açúcar) e fator R
(6480,67 MJ mm ha-1 h-1) da EUPS eram constantes para toda área de solo exposto, por
isso não foram relacionados.
Os outros fatores (K, LS e P) se correlacionaram com a EUPS com valores
próximos (Tabela 7), o que é esperado, já que todos possuem o mesmo peso na equação.
0
2
4
6
8
10
12
14
16
18
Fat
or d
e R
efle
ctân
cia
Bandas OLI (nm)
Erodibilidade Alta
LE - 1 média
PV - 1 média
PV - 7 arenosa
PV - 7 arenosa
36
Vale ressaltar que o fator LS e P apresentaram boa correlação entre si (R=0,87) devido
o fator P ser dependente do valor fator LS para cálculo. Apenas uma cena não foi capaz
de captar relação direta entre os parâmetros da equação e os dados espectrais, desta
forma outras analise com uma série histórica se fazem necessários.
Tabela 7. Correlação dos dados espectrais da imagem de solo exposto com a EUPS B1 B2 B3 B4 B5 B6 B7 K LS P EUPS
B1 1,00 B2 0,90 1,00
B3 0,86 0,92 1,00 B4 0,71 0,78 0,90 1,00 B5 0,68 0,77 0,84 0,87 1,00 B6 0,58 0,67 0,70 0,74 0,88 1,00 B7 0,63 0,68 0,72 0,74 0,81 0,93 1,00 K 0,20 0,19 0,19 0,15 0,11 0,07 0,14 1,00 LS -0,01 -0,03 -0,02 -0,08 -0,04 -0,07 -0,05 0,15 1,00 P -0,01 -0,03 -0,02 -0,07 -0,04 -0,06 -0,06 0,15 0,87 1,00
EUPS 0,09 0,08 0,08 0,03 0,03 -0,01 0,03 0,68 0,69 0,63 1,00
A mineração de dados foi uma análise mais avançada para esses parâmetros, em
que foi gerada para as bandas e o fator erodibilidade. Os resultados de erodibilidade
(Tabela 8) mostra que o modelo classificador Random Forest apresentou melhores
índices e acertos no modelo classificador médio, cerca de 70%, obtendo um valor de
índice kappa de aproximadamente 0,5. Esse índice varia de 0 a 1, significando total
concordância entre os dados quando se obtém o valor máximo (COHEN, 1960). O
desempenho do índice Kappa foi avaliado conforme proposto por Landis & Koch
(1977), em que índices entre 0,21 e 0,4 são considerados razoáveis e entre 0,41 e 0,6,
bons; e entre 0,61 e 0,8, muito bons; e entre 0,81 e 1, excelentes.
Tabela 8. Índice KAPPA e acertos para diferentes algoritmos
Algorítimo Índice KAPPA Acertos do modelo Classificador Médio(%)
Árvore de decisão 0,4799 69,26
Random Forest 0,4985 69,97
Redes Neurais 0,3344 61,96
Ao medir o desempenho de um classificador, Pontius Jr. (2000) alerta para o fato
que o índice Kappa pode conduzir a conclusões equivocadas, pois a tabela de
contingência trabalha com proporções, não considerando a localização dos rótulos
atribuídos. Para isso, foi construída a Matrix de Confusão que apresenta em números a
37
quantidade de classificações corretas e incorretas (Tabela 9) (SOCZEK & REGIANE
ORLOVSKI, 2014). A diagonal direita representa os números das instâncias
classificadas corretamente. Pode-se observar que apesar da taxa de acerto total ser em
torno de 70%, valores preditos pelo modelo como “Alta erodibilidade” apresentaram
uma taxa de acerto (taxa VP) de apenas 39,5%.
Tabela 9. Matrix de Confusão e Taxa de acerto
Classes Média
Erodibilidade Baixa
Erodibilidade Alta
Erodibilidade Total de Linhas Taxa VP
Média Erodibilidade 10691 2339 989 14019 0,763
Baixa Erodibilidade 2289 8172 643 11104 0,736
Alta Erodibilidade 1548 1002 1667 4217 0,395
Soma das colunas 14528 11513 3299 29340 Taxa de acerto total 0,699
Desta forma, a mineração apresentou valores considerados bons de índice Kappa
entre erosão e dado espectral. No entanto, ao analisar a matriz de erros do modelo,
vimos que a predição para valores com alta erodibilidade apresentaram baixo índice de
acerto. Isso pode ter sido influenciado em função de um menor número de dados
amostrais para essa classe. Portanto, possíveis calibrações e treinamento do software se
tornam necessárias para melhores resultados de valores verdadeiros positivos em todas
as classes classificadoras.
38
5. CONCLUSÕES
A análise qualitativa da curva espectral dos solos obtido da imagem de solo
exposto mostra que a textura pode auxiliar na identificação da classe de erodibilidade
para a imagem de satélite escolhida.
Os dados de reflectância obtidos do Landsat OLI apresenta baixa relação com os
fatores da Equação Universal de Solos (EUPS) para uma imagem. Assim, para maior
eficiência das análises espectrais seria necessário a utilização de série histórica de
imagens de satélite. Uma área maior de solos exposto pode se relacionar melhor com os
dados de perda de solos.
Por outro lado, analises mais complexas como a mineração de dados se mostra
mais eficientes para os estudos de dados orbitais de uma imagem com o fator
erodibilidade da equação de perda de solos. Além disso, analises com outros tipos de
satélites e sensores próximos com maiores precisões podem apresentar correlações
melhores e valores mais apurados.
39
REFERENCIAS
Ab' SÁBER, A.N. A depressão periférica paulista: um setor das áreas de circundesnudação pós-cretácica na Bacia do Paraná. Geomorfologia, v. 15, 15 p. 1969.
ALMEIDA, F.F.M. Fundamentos geológicos do relevo paulista. Geologia do estado de São Paulo. Boletim do Instituto de Geografia e Geologia, v.41, p.167-263, 1964.
BACCARO, C. A . D. ; PEREIRA, K.G.O . Estudos de erosão acelerada na bacia do rio Tijuco. I Reunião Especial da Sociedade Brasileira para o Progresso da Ciência. Universidade Federal de Uberlândia, 1994
BARRETTO, A.G.O.P.. “O histórico (1945-2002) da evolução urbana de Piracicaba (SP) analisado do ponto de vista rural: fatores atrativ os e restritivos”. Relatório final apresentado à Fapesp. Piracicaba: USP/ESALQ, 2006.
BERTOL, I., SCHICK, J., BATISTELA, O., LEITE, D., AMARAL, A. J. Erodibilidade de um Cambissolo Húmico alumínico léptico, determinada sob chuva natural entre 1989 e 1998 em Lages (SC). Revista Brasileira de Ciência do Solo, v. 26, n. 2, 2002.
BERTONI J, LOMBARDI NETO F. Conservação do solo. 9a ed. São Paulo: Ícone; 2014.
BERTONI, J.; LOMBARDI NETO, F.; BENATTI JUNIOR, R. Equação de perdas de solo. Boletim Técnico n. 21. Campinas: Instituto Agronômico.1975. 24p.
CARVALHO, N.O. Hidrossedimentologia Prática. CPRM–Companhia de Pesquisa em Recursos Minerais, 1994.
CHAVES, H.M.L. Modelagem matemática da erosão hídrica: Passado, presente e futuro. In: ALVAREZ V., V.H.; FONTES, L.E.F. & FONTES, M.P.F., eds. O solo nos grandes domínios morfoclimáticos do Brasil e o desenvolvimento sustentado. Viçosa, MG, Sociedade Brasileira de Ciência do Solo, 1996. p. 731-750.
COHEN, J. A coefficient of agreement for nominal scales. Educational and Psychological Measurement, v.20, n.1, p.37-46, 1960.
DALMOLIN, R.S.D. Matéria orgânica e características físicas, químicas, mineralógicas e espectrais de Latossolos de diferentes ambientes. Porto Alegre, Universidade Federal do Rio Grande do Sul, 2002. 151p.
DEMARCHI, J. C.; ZIMBACK, C. R. L. Mapeamento, erodibilidade e tolerância de perdas de solo na sub-bacia do Ribeirão das Perobas. Energia na Agricultura, v. 29, n. 2, p. 102-114, 2014.
DEMATTÊ, J.A.M. Characterization and discrimination of soils by their reflected electromagnetic energy. Pesquisa Agropecuária Brasileira, Brasília, v. 37, p.1445-1458, 2002.
40
DEMATTÊ, J.A.M.; SOUSA, A.A.; ALVES, M.C.; NANNI, M.R.; FIORIO, P.R.; CAMPOS, R.C. Determining soil water status and other soil characteristics by spectral proximal sensing. Geoderma, Amsterdam v. 135, p. 179-195, 2006.
DENARDIN JE. Erodibilidade do solo estimada por meio de parâmetros físicos e químicos [tese]. Piracicaba: Universidade de São Paulo; 1990.
DESMET P. J. J., GOVERS G. A GIS procedure for automatically calculating the USLE LS factor on topographically complex landscape units. Journal of soil and water conservation, v. 51, n. 5, p. 427-433, 1996.
FORMAGGIO, R. J. C. N. EPIPHANIO, M. M. VALERIANO & J. B. OLIVEIRA. Comportamento espectral (450-2.450 nm) de solos tropicais de São Paulo, São Paulo, 1996,.
FOSTER, G. R. et al. Conversion of the universal soil loss equation to SI metric units. J. Soil Water Conserv., Baltimore, v.36, p.355-359, 1981
FRANCESCHINI, M.H.D.; DEMATTÊ, J.A.M.; SATO, M.V.; VICENTE, L.E.; GREGO, C.R. Abordagens semiquantitativa e quantitativa na avaliação da textura do solo por espectroscopia de reflectância bidirecional no VIS-NIR-SWIR. Pesquisa Agropecuária Brasileira, v. 48, p. 1569-1582, 2013.
GALDINO S, SANO EE, ANDRADE RG, GREGO CR, NOGUEIRA SF, BRAGANTINI C, FLOSI AHG. Large-scale modeling of soil erosion with RUSLE for conservationist planning of degraded cultivated Brazilian pastures. Land Degradation & Development, v. 27, n. 3, p. 773-784, 2016.
GALLO, B.C., Imagens multitemporais do Landsat TM como estratégia no apoio ao levantamento pedológico [tese]. Piracicaba: Universidade de São Paulo; 2015.
JENSEN, J. R. Sensoriamento Remoto do Ambiente: uma perspectiva em recursos terrestres. Carolina: Parêntese, 2011.
KÖPPEN, W.; GEIGER, R. Klimate der Erde. Gotha: Verlag Justus Perthes. 1928. 1 mapa, 150 x 200cm.
LOMBARDI NETO, F.; MOLDENHAUER, W. C. Erosividade da chuva: sua distribuição e relação com perdas de solos em Campinas. SP. Bragantia, Campinas, v.51, n.2, p.189-196, 1992.
MADEIRA NETTO, J.S.; BAPTISTA, G.M.M. Reflectância espectral de solos. Documentos - Embrapa Cerrado, v. 25, p. 1-55, 2000.
MAGALHÃES, Ricardo Aguiar. Processos Erosivos e Métodos de Contenção CEEB, 1995, Ouro Preto
MANNIGEL AR, CARVALHO MP, MORETI D, MEDEIROS LR. Fator erodibilidade e tolerância de perda dos solos do Estado de São Paulo. Acta Scientiarum, v. 24, n. 5, p. 1335-1340, 2002
41
MCCOOL D. K., BROWN G. R., FOSTER G. R., MEYER L. D. Revised slope steepness factor for the universal soil loss equation. Transactions of the ASAE, v. 30, n. 5, p. 1387-1396, 1987.
MEDEIROS, G. D. O. R., GIAROLLA, A., SAMPAIO, G., MARINHO, M. D. A. Estimates of annual soil loss rates in the state of São Paulo, Brazil. Revista Brasileira de Ciência do Solo, v. 40, 2016.
MIDDLETON, H. E., SLATER, C. S., AND BYERS, H. G. Physical and chemical characteristics of the soils from the erosion experiment stations. U.S. Department of Agriculture, Technical Bulletin No. 316 and 430, 1930.
MINELLA, J. P. G.; MERTEN, G. H. Aplicação das características químicas e físicas dos sedimentos na modelagem dos processos de emissão de sedimentos em bacias hidrográficas (p. 343-83). In: Qualidade dos sedimentos. POLETO, C. e MERTEN, G. H. (org.). Porto Alegre: ABRH, 2006, 397p.
OLIVEIRA J. B.; PRADO H., Carta pedológica semi-detalhada de Piracicaba SF 23Y-A –IV, Campinas: Instituto Agronômico, 1989. 1 mapa, color., Escala: 1:100.000.
PENTEADO, M.M. Geomorfologia do setor centro-ocidental da Depressão Periférica Paulista. Instituto de Geografia, v.22, p. 86, 1976.
PONTIUS Jr., G.; Schneider, L. C. Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems and Environment. v. 85, n. 1. p. 239-248, Jun. 2001.
PONZONI, F.J., SHIMABUKURO, Y.E. KUPLICH, T.M. Sensoriamento Remoto no Estudo da Vegetação. 2 ed. São José dos Campos: Parêntese, 2012. 160p.
RIZZO, R., DEMATTÊ, J. A., LEPSCH, I. F., GALLO, B. C., & FONGARO, C. T. (2016). Digital soil mapping at local scale using a multi-depth Vis–NIR spectral library and terrain attributes. Geoderma, 274, 18-27.
ROUSE, J.W.; HAAS R.H.; SCHELL J.A.; DEERING D.W. Monitoring vegetation systems in the Great Plains with ERTS. Earth resources technology satellite-1 symposium, Proceedings, DC, 1973. v.1, p. 309–317.
SCHWERTMANN U. Iron oxides in soil. Minerals in soils environments. Soil Science Society America Journal, v.8, p. 379-465, 1989.
SALTON, J. C. Manejo e conservação do solo. In: ALGODÃO: tecnologia de produção. Dourados:Embrapa Agropecuária Oeste; Campina Grande: Embrapa Algodão. p. 76-102, 2001
SILVA A. M., ALVARES C.A. Levantamento de informações e estruturação de um banco de dados sobre a erodibilidade de classes de solos no Estado de São Paulo. Geociências;v. 24, n. 1, p.:33-41, 2005.
42
SILVA D.V., Análise de perda de solo, utilizando modelo (RUSLE) REVISED UNIVERSAL SOIL LOSS EQUATION, aplicado com auxílio de técnicas de geoprocessamento na bacia do Ribeirão Reis, MARINGÁ-PR, 2008
SILVA, R. H.; ROSOLEM, C. A. Crescimento radicular de espécies utilizadas como cobertura decorrente da compactação do solo. Revista Brasileira de Ciência do Solo, Viçosa, v. 25, n. 2, p. 253-260, maio/jun. 2001.
STONER, E.R. & BAUMGARDNER, M.F. Characteristics variations in reflectanc e of surface soils. Soil Sci. Soc. Am. J., 45:1161-1165, 1981.
SOCZEK, C.F. & ORLOVSKI, R. Mineração de Dados: Conceitos e aplicação de algoritmos em uma Base de Dados na área da saúde. Tecnologia em Análise e Desenvolvimento de Sistemas – Faculdade Guairacá. Guarapuava, PR, 2014.
TÁNAGO, M.G. La ecuación universal de pérdidas de suelo: Pasado, presente y futuro. Ecología, 5:13-50, 1991.
VALERIANO, M. M. TOPODATA: Seleção de coeficientes geoestatísticos para o refinamento unificado de dados SRTM. São José dos Campos: INPE, 2008. 50 p.
VISCARRA ROSSEL, R.A.; CHAPPELL, A.; De CARITAT, P.; MCKENZIE, N.J. On the soil information content of visible-near infrared reflectance spectra. European Journal of Soil Science, Oxford, v.62, p. 442–453, 2011.
WISCHMEIER, W. H. & SMITH, D. D. Predicting rainfall erosion losses – a guide to conservation planning. U. S. Department of Agriculture, Washington. 1978.
WMO (World Meteorological Organization). Manual on Sediment Management and Measurement. Operational Hydrology Report nº 47, Geneva, Switzerland, 2003, 159p. Por: Yang Xiaoqing.