Emissão de CO2 do solo em pastos degradado, manejado e consórcio silvipastoril no Cerrado

Abstract

Os diferentes ecossistemas agrícolas modificam a dinâmica do carbono do solo, expresso pelas variações temporais da emissão de CO2 do solo, enquanto as redes neurais geram modelos preditivo para explicar o padrão da variabilidade da emissão de CO2 do solo. Assim, o presente trabalho teve por objetivo caracterizar a variabilidade temporal da emissão de CO2, temperatura e umidade do solo, e analisar o uso de Redes Neurais Artificias na predição da variabilidade espacial – temporal da emissão de CO2 do solo em função dos atributos químicos do solo, na estação de inverno e verão, em área de pastagem degradada, pastagem recuperada e sistema silvipastoril na região do Cerrado Sul-mato-grossense. Os resultados permitiram concluir que a temperatura do solo e a umidade do solo influenciaram nas variações das emissões de CO2 do solo ao longo do tempo. A menor média de emissão de CO2 foi obtida em área de pastagem manejada (0,973 μmol m-2 s-1) no período de inverno, enquanto a maior média foi obtida no sistema silvipastoril (1,562 μmol m-2 s-1). O sistema silvipastoril no Cerrado apresentou os maiores valores de emissão total de CO2 (2,01 Mg ha-1) ao longo dos 35 dias de estudo na estação seca do ano. A análise de componentes principais apresenta-se como uma alternativa eficaz na discriminação de sistemas de produção e sua relação com as propriedades do solo. Este estudo mostrou que as RNAs forneceram modelos preditivos para explicar a variação espaço temporal da emissão de CO2. A complexidade das redes não influenciou na predição do CO2. O melhor desempenho foi observado no modelo individual na área de pastagem degradada com uma rede MLP. A umidade do solo e a temperatura contribuem para a explicação da variação temporal da respiração do solo.

The different agricultural ecosystems modify the dynamics of soil carbon, expressed by the temporal variations of soil CO2 emissions, while neural networks generate predictive models to explain the pattern of soil CO2 emission variability. Thus, the present work aimed to characterize the temporal variability of CO2 emission, soil temperature and moisture, and to analyze the use of artificias neural networks in the prediction of spatial - temporal variability of soil CO2 emission as a function of soil chemical attributes, in the winter and summer season, in a degraded pasture area, recovered pasture and silvopastoral system in the Cerrado region of Mato Grosso do Sul. The results allowed to conclude that soil temperature and soil moisture influenced the variations of soil CO2 emissions over time. The lowest mean CO2 emission was obtained in a managed pasture area (0,973 μmol m-2 s-1) in the winter period, while the highest average was obtained in the silvopastoral system (1,562 μmol m-2 s-1). The silvopastoral system in the Cerrado presented the highest values of total CO2 emission (2,01 Mg ha-1) over the 35 days of study in the dry season of the year. Principal component analysis is an effective alternative to discriminate production systems and their relationship with soil properties. This study showed that the ANNs provided predictive models to explain the space-time variation of CO2 emissions. The complexity of the networks did not influence the CO2 prediction. The best performance was observed in the individual model in the degraded pasture area with an MLP network. Soil humidity and temperature contribute to explain the temporal variation in soil respiration.