Simulação estocástica das frações granulométricas do solo da Fazenda Experimental Edgárdia - Botucatu-SP

Abstract

O mapeamento de atributos do solo é essencial para o planejamento conservacionista das terras. A textura, composta pelas frações granulométricas areia, silte e argila, destaca-se dada sua participação em diversos processos físicos, químicos e biológicos, como movimentação e armazenamento de água, decomposição de matéria orgânica, estoque de carbono e disponibilidade de nutrientes. Nesse contexto, a pedometria e a geoestatística, utilizando métodos quantitativos de análise dos solos, possibilita a obtenção de mapeamentos numéricos, onde são estimados valores em locais não amostrados, a partir de um conjunto de dados previamente mensurados. Assim, o presente estudo teve como objetivo o uso de técnicas de geoestatística na espacialização das frações granulométricas do solo para a Fazenda Experimental Edgárdia, Botucatu-SP, buscando uma avaliação dos métodos de predição por krigagem ordinária e por simulação estocástica, no caso, a simulação sequencial gaussiana. O conjunto de dados foi composto por 95 amostras, em superfície e subsuperfície, para as quais foram obtidos os teores de areia, silte e argila, esses consistem em dados composicionais, assim para o seu tratamento foi aplicado, inicialmente, a transformação razão log-aditiva. Aos dados transformados procedeuse o ajuste dos variogramas e posterior interpolação e simulação. Os produtos gerados foram avaliados quanto sua acurácia global, pela performance dos diferentes métodos em reproduzir a estatísticas do conjunto de dados de entrada. Os resultados mostraram que a transformação razão log-aditiva condicionou uma distribuição normal aos dados originais e a análise variográfica dos mesmos indicou a existência de dependência espacial variando de um grau moderado a forte, sendo ajustados os modelos esférico e exponencial, para as transformações em superfície e em subsuperfície, respectivamente. Cada realização individual obtida por simulação sequencial gaussiana apresentou um desempenho superior na reprodução dos dados de entrada em comparação à krigagem ordinária, sendo indicado o uso do mapa médio das realizações na caracterização espacial das frações granulométricas do solo e o conjunto de realizações nas análises das incertezas das predições.

Mapping soil properties is essential for land conservation planning. Soil texture (sand, silt, and clay fractions) stands out for its participation in several physical, chemical, and biological processes such as water movement and storage, organic matter decomposition, carbon stock and nutrient availability. In this context, by quantitative soil analyses, pedometrical and geostatistical methods enable obtaining of numerical maps, in which unsampled sites can be estimated based on the previously measured dataset. The present study aims to spatialize soil particle-size fractions using two prediction models, ordinary kriging and stochastic simulation (gaussian sequential simulation). The evaluated area was the Edgárdia Experimental Farm, in Botucatu-SP (Brazil). Dataset consisted of 95 surface and subsurface samples, which were analyzed for sand, silt, and clay contents. These are compositional data; therefore, they were initially transformed by additive log-ratio. Then, transformed data were used for variogram fit, and further interpolation and simulation. Generated products were evaluated for global accuracy by different methods for input data statistics. The results showed that additive log-ratio transformation conditioned a normal distribution to the original data. Spatial dependence was detected, and it ranged from moderate to strong. Semivariograms were fitted to spherical and exponential models for surface and subsurface transformed data, respectively. Each individual realization obtained by gaussian sequential simulation presented a superior performance in input data reproduction if compared to ordinary kriging. The average realization map should be used for spatial characterization of soil grain-size fractions and realizations in prediction uncertainty analyses.