Resumo -O objetivo deste trabalho foi descrever um procedimento de modelagem de fertilidade do solo que integra propriedades químicas do solo utilizando-se do método de Monte Carlo. A espacialização das propriedades químicas foi obtida por procedimento geoestatístico de simulação estocástica, com modelagem das incertezas associadas às estimativas. As incertezas das propriedades químicas foram propagadas para o modelo de fertilidade resultante, possibilitando a geração de mapas de fertilidade condicionados a níveis de risco prédefinidos. O método aqui apresentado é ilustrado por um estudo de caso de fertilidade para cultura de soja, no Estado de Santa Catarina, considerando as seguintes propriedades químicas do solo: alumínio trocável, potássio e capacidade de troca catiônica.Termos para indexação: espacialização de propriedades químicas, geoestatística, método de Monte Carlo. On the modeling of soil fertility by stochastic simulation with uncertainty treatmentsAbstract -This work described a methodology of fertility modeling that integrates chemical properties of the soil through the Monte Carlo method. The chemical attributes are spatialized, along with their estimation uncertainties, by a geostatistical procedure of random simulation. Uncertainties of the chemical properties are propagated to the resulting fertility model allowing the generation of fertility maps conditioned to preset risk levels. The method presented here is illustrated by a case study of fertility for soy culture, at the State of Santa Catarina, Brazil, considering the following chemical properties of the soil: exchangeable aluminum, potassium and cation exchange capacity.Index terms: spatialization of chemical properties, geostatistic, Monte Carlo method. IntroduçãoA fertilidade do solo é um parâmetro importante na avaliação da aptidão pedoclimática de culturas. Nos processos de modelagem ambiental, que envolvem a modelagem da fertilidade, propriedades químicas devem ser analisadas, espacializadas e integradas em ambientes de Sistemas de Informações Geográficas (SIGs) (Bönisch, 2001).A modelagem de atributos espaciais requer procedimentos inferenciais, em que os valores não conhecidos são inferidos a partir de um conjunto amostral pontual do atributo e informações correlacionadas (Felgueiras, 1999). A geoestatística apresenta dois procedimentos inferenciais, a krigagem e a simulação. A krigagem tem por objetivo obter a melhor estimativa local sem preocupar-se em reproduzir as estatísticas espaciais estimadas a partir do conjunto amostral. A simulação, por sua vez, tem como objetivo a reprodução dessas estatísticas (histograma e estrutura de covariância), e também tem a vantagem de integrar, de forma mais simples, vários atributos em um único modelo.O procedimento de simulação estocástica, em ciên-cias ambientais, com a finalidade de solucionar questões relacionadas à variabilidade inerente a um ou mais atributos espacialmente distribuídos, é relativamente novo (Goovaerts & Journel, 1995), gerando representações mais próximas do comportamen...
A expansão da soja tem gerado importantes mudanças na Amazônia brasileira devido a processos de concentração de terras, homogeneização da paisagem e ao avanço sobre outras formas de produção. No Pará, esse processo ocorre mais intensamente nos municípios de Santarém, Belterra e Mojuí dos Campos, que integram a bacia do rio Curuá-Una. Esse estudo se propõe a analisar dinâmicas de uso e cobertura da terra para o período de 2000 a 2019 na bacia do Rio Curuá-Una, observando sobre quais classes a Agricultura de Larga Escala (AGLE) se expandiu. As atuais bases de dados de uso e cobertura da terra da Amazônia não contemplam a Agricultura de Pequena Escala (AGPE). Para incluir essa classe, fez-se uso de imagens TM/OLI/Landsat, técnicas de segmentação multirresolução e classificação orientada à objeto. Para a análise das dinâmicas da AGLE utilizou-se matrizes de transição para os períodos de 2000-2010, 2010-2019 e 2000-2019. Como resultado, observou-se um ganho de área da AGLE no período de 2000-2019, de 23 km² para 1.093 km². O período de 2000-2010 foi o que apresentou maior ganho (25%). A expansão da AGLE se deu primordialmente sobre áreas de pastagens (38%), vegetação secundária (31%), floresta (27%) e AGPE (2%). Cerca de 25% da área de AGPE de 2000 foi convertida para AGLE em 2019. Essa proporção pode ser ainda maior, pois parte da vegetação secundária convertida para AGLE, compõe o sistema de pousio da AGPE. Esses resultados reforçam a importância de se estabelecer políticas púbicas que valorizem e fortaleçam a economia local.
Uma metodologia para determinar e analisar áreas de proteção permanentes de propriedades declaradas no Cadastro Ambiental Rural-CAR
O conhecimento do espaço físico e da organização social e funcional do lugar onde se vive conduz o cidadão a exercitar a cidadania e, a educação exerce papel relevante na construção deste conhecimento. Uma das formas de se olhar esta questão é através do mapeamento participativo, uma ferramenta da cartografia social. Em cartografia digital, a representação do espaço geográfico agrega o conceito de sistemas de informações geográficas - SIG e sensoriamento remoto, de modo que quando o mapeamento participativo se utiliza destas tecnologias surge o SIG participativo (SIG-P). Assim, o Instituto Nacional de Pesquisas Espaciais, através do Laboratório de Aplicação de Dados Espaciais em Apoio à Sociedade, capacitou alunos do ensino médio, de escolas públicas, de áreas de vulnerabilidade social do município de São José dos Campos, para utilizarem o conceito de SIG-P. Os alunos identificaram e propuseram equipamentos públicos, para seus respectivos territórios e produziram mapas com padrão de exatidão cartográfica digital, como resultado da capacitação com SIG-P. Este material subsidiou os alunos para chegar ao poder público e propor a (re)organização espacial, corroborando com o processo de governança.
This article presents and analyzes the indicator geostatistical modeling and some visualization techniques of uncertainty models for categorical spatial attributes. A set of sample points of some categorical attribute is used as input information. The indicator approach requires a transformation of sample points on fields of indicator samples according to the classes of interest. Experimental and theoretical semivariograms of the indicator fields are defined representing the spatial variation of the indicator information. The indicator fields, along with their semivariograms, are used to determine the uncertainty model, the conditioned probability distribution function, of the attribute at any location inside the geographic region delimited by the samples. The probability functions are considered for producing prediction and probability maps based on the maximum class probability criterion. These maps can be visualized using different techniques. In this work, it is considered individual visualization of the predicted and probability maps and a combination of them. The predicted maps can also be visualized with or without constraints related to the uncertainty probabilities. The combined visualizations are based on three-dimensional (3D) planar projection and on the Red-Green-Blue to Intensity-Hue-Saturation (RGB-IHS) fusion transformation techniques. The methodology of this article is illustrated by a case study with real data, a sample set of soil textures observed in an experimental farm located in the region of São Carlos city in São Paulo State, Brazil. The resulting maps of this case study are presented and the advantages and the drawbacks of the visualization options are analyzed and discussed.
This work explores a methodology to apply indicator geostatistical simulation approaches to geospatial modeling of categorical attributes using hard and soft information. Uncertainty analyses of the predictions are performed to evaluate the quality of classifications. Sample points of a categorical attribute are considered as the hard, or primary, information while a categorical map is used for determine the soft, or the secondary, information. The soft information is incorporated in the indicator simulation procedure as prior mean values, taken from a probability distribution function, related to the hard data. The prior mean values are then updated via indicator simulation to account for the hard data available in their neighborhoods. To illustrate the methodology a case study is presented with samples of soil texture classes, as the hard data, and with classes of a soil map determining the soft information. These data are gathered from an experimental farm of agriculture researches. Uncertainty analyses of the results show that the use of soft information, along with the hard data, allows one to find out new specific regions of higher and lower uncertainties. The highest uncertainties regions should be considered as candidates for future resampling.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.