Predição de umidade e atributos físicos do solo com uso de GPR (Ground Penetrating Radar)

• Ano de defesa: 2018
• Autor(a) principal: Conde, Viviane Flaviana
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Solos e Nutrição de Plantas
• Palavras-chave em Português: Solos - Umidade - Medição; Solos - Propriedades elétricas; Radar de penetração no solo; CIENCIAS AGRARIAS::AGRONOMIA::CIENCIA DO SOLO
• Link de acesso: https://locus.ufv.br/handle/123456789/33641

É uma técnica indireta para investigação da subsuperfície do solo, que vêm sendo estudada como uma possível alternativa para determinação da umidade e atributos físicos do solo. O trabalho foi desenvolvido em uma área com cobertura por pastagem em relevo fortemente ondulado no município de Viçosa, Minas Gerais, Brasil, onde foram realizadas duas varreduras em três transectos distintos, com 70, 100 e 130 m de comprimento, no sentido do topo para o vale em relevo montanhoso. O GPR utilizado foi o SRI-3000 da GSSIQ. Em cada uma das três áreas foram realizados transectos com antenas blindadas de 200, 400 e 900 MHz para geração de radargramas, os quais foram processados no software RADAN 78. Nos radargramas foram realizados diversos processos como aplicação de filtros, ganhos e migração, todos visando a melhoria do sinal eletromagnético e determinação da constante dielétrica. A presente dissertação é dividida em dois capítulos. O primeiro capítulo objetivou avaliar a aplicabilidade do uso do Ground Penetrating Radar na determinação da umidade volumétrica em transectos comparando equações e propor modelo de calibração. Foram realizadas coletas em 26 pontos de amostras deformadas nas profundidades de 0,00-0,20; 0,20-0,40; 0,40-0,60; 0,60-0,80 e 0,80-1,00 m e realizada a análise laboratorial padrão de umidade. Para estimar a umidade volumétrica dos solos utilizando dados do GPR, a constante dielétrica foi obtida por meio dos processamentos dos radargramas e a umidade calculada conforme as equações de Topp et al. (1980), Ledieu et al. (1986), Roth et al. (1990) e Malicki et al. (1996). Foi utilizado o software estatístico RQ para ajustar equações de regressão entre umidade do solo medida em laboratório e dados de constante dielétrica obtidos nos radargramas por GPR. Gerou-se uma equação de calibração local onda a umidade é função da constante dielétrica, da profundidade de coleta das amostras e da interação entre os fatores. Os valores de umidade volumétrica obtidos por GPR mostraram-se satisfatórios, o que indica possibilidade do uso da metodologia na espacialização da variável umidade do solo, otimizando estudos que necessitam de valores de umidade como uma variável com distribuição contínua. No segundo capítulo, o objetivo foi elaborar modelos de predição de variáveis texturais (areia grossa, areia fina, silte, argila, porosidade total, macroporosidade e microporosidade) em solos do município de Viçosa, Minas Gerais, utilizando dados de Ground Penetrating Radar, variáveis morfométricas de terreno e técnicas de Machine Learning. Para as análises de textura e porosidade do solo foram realizadas coletas em 26 pontos de amostras indeformadas nas profundidades de 0,00- 0,10; 0,10-0,20; 0,20-0,30; 0,30-0,40 e 0,40-0,50 m e realizada a análise laboratorial padrão. Para predição de textura e porosidade dos solos utilizando dados do GPR, a constante dielétrica foi obtida por meio dos processamentos dos radargramas e, juntamente aos resultados das análises laboratoriais, foram utilizados cinco algoritmos de predição: Linear Models (LM), Generalized Linear Models (GLM), Cubist, Suport Vector Machine Radial Sigma (SVM) e Random Forest (RF), para verificar qual modelo se adequava melhor as cinco bases de dados testadas. Foi utilizado o software estatístico Rº para ajustar os modelos de regressão A verificação do desempenho dos algoritmos foi realizada por método de validação cruzada do tipo leave one out. O desempenho dos algoritmos em cada treinamento e validação foi avaliado pelo coeficiente de determinação (R2) e pela raiz do erro médio quadrático (RMSE), para cada variável. Testou-se combinações distintas de bases de dados para avaliar quais variáveis são mais Importantes na elaboração de modelos preditivos. Os modelos SVM, RF, e Cubist apresentaram maior desempenho quando comparados aos modelos lineares. Inserir variáveis de terreno possibilita modelagens de maior precisão, com valores de R? de 0,84 e 0,79 para variável argila, como os modelos SVM e RF, respectivamente. Os valores de RMSE foram extremamente baixos para todos os modelos (inferiores a 0,04). A predição das variáveis texturais gerou resultados superiores à predição de valores de porosidade.