Funções de pedotransferência para estimativa da capacidade de campo e ponto de murcha permanente na Bacia Hidrográfica do Rio Una – Ibiúna (SP)

Abstract

A retenção e disponibilidade de água no solo são propriedades importantes para a produção agrícola, visto que o manejo adequado dos solos pode evitar seu empobrecimento e aumentar sua produtividade. O conceito de água disponível (AD) tem importância reconhecida na estimativa do balanço-hídrico do solo, mas para sua determinação é necessário conhecer duas propriedades físico-químicas a capacidade de campo (CC) e o ponto de murcha permanente (PMP), cujas análises laboratoriais para sua determinação são onerosas. Nesse sentido surgiram as funções de pedotransferência (FPT), funções matemáticas capazes de estimar estas e outras variáveis pedológicas utilizando propriedades características do solo (teor de matéria orgânica, granulometria). O objetivo desse estudo é estimar CC e PMP em solos da Bacia Hidrográfica do Rio Una (BHRU) por meio de propriedades texturais do solo e avaliar a eficiência de FPTs geradas por métodos de regressão múltipla linear (RML) e redes neurais artificiais (RNA). Foram coletadas amostras de 35 pontos distribuídos uniformemente na bacia numa profundidade de 0-20 cm para determinar CC, PMP, AD, teores de argila, areia, silte, MO e Fator K). Os melhores resultados encontrados utilizando RML para CC, R2 = 0,59 e RMSE = 0,08 e PMP R2 =0,87, RMSE = 0,02 ambos com três componentes (areia, silte e matéria orgânica). As análises de RNA foram compostas por uma camada de entrada implícita, uma camada oculta e uma camada de saída. Para estimar CC, o melhor resultado encontrado foi R2 = 0,73, RMSE = 0,06 e foram utilizadas 20.000 épocas e 3 neurônios na camada oculta. Já para PMP obteve-se R2 = 0,44, RMSE = 0,05, com 1.000 épocas e 20 neurônios na camada oculta. Ambos resultados de RNA utilizaram quatro variáveis de entrada (Areia, Argila, silte e Matéria orgânica). Os resultados mostraram que ambos aos métodos analisados foram capazes de prever a CC e PMP utilizando dados texturais do solo, no entanto a RML foi mais simples de ser aplicada sendo mais indicada para a agricultura familiar.

Soil water retention and water availability are important properties for agricultural production, adequate soil management can prevent soil impoverishment and increase its productivity. The concept of available water (AW) has recognized importance in estimating soil water balance, but for its determination it is necessary to know two physical-chemical properties: field capacity (FC) and permanent wilting point (PWP). However, laboratory analyzes for their determination are expensive, thereby pedotransfer functions (PTF) emerged, mathematical functions capable of estimating these variables using characteristic properties of the soil (organic matter content, granulometry). The objective of this study is to estimate FC and PWP in soils from the Una River Basin through soil textural properties and evaluate the efficiency of PTFs generated by linear multiple regression (LMR) and artificial neural networks (ANN) methods. Samples were collected from 35 points uniformly distributed in the basin at a depth of 0-20 cm to determine FC, PWP, AW, clay, sand, silt, organic matter and Factor K contents). The best results found using LMR for FC, R2 = 0.59 and RMSE = 0.08 and PWP R2 =0.87, RMSE = 0.02 both with three components (sand, silt and organic matter). The ANN analyzes were composed of an implicit input layer, a hidden layer and an output layer, to estimate FC, the result found was R2 = 0.73, RMSE = 0.06, 20.000 epochs and 3 neurons were used in the hidden layer, for PWP we obtained R2 = 0.44, RMSE = 0.05, with 1.000 epochs and 20 neurons in the hidden layer, both results used four input variables (Sand, Clay, silt and Organic matter). The results showed that both methods analyzed were able to predict FC and PWP using soil textural data, however LMR is easy to apply and is more suitable for family farming.