Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 21908
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Dimensões Ambientais: ODS13 |
| Setor | Departamento de Solos |
| Bolsa | CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Guilherme Martins Lopes |
| Orientador | ELPIDIO INACIO FERNANDES FILHO |
| Outros membros | Cássio Marques Moquedace dos Santos, Clara Glória Oliveira Baldi |
| Título | Modelagem e mapeamento de carbono das raízes em escala global |
| Resumo | O solo é o maior reservatório de carbono orgânico em ecossistemas terrestres, sendo que parte desse carbono é oriundo das raízes de plantas. Contudo, ainda não há mapas de carbono nas raízes em escala global. Desse modo, objetivou-se modelar e mapear a concentração de carbono nas raízes (CCR) em ecorregiões globais. O banco de dados (BD) utilizados foi o Global Roots Traits (GRooT), que possui mais de 100 mil registros de 38 traços funcionais compilados a partir de diversos trabalhos no mundo. Inicialmente, filtrou-se os dados referente à CCR e eliminou-se linhas contendo valores “NA”. Além disso, corrigiu-se as coordenadas geográficas deslocadas com o auxílio do software QGIS. Posteriormente, realizou-se o download de covariáveis ambientais (CA), nas quais foram padronizadas à uma resolução espacial de 1km e reprojetadas para o sistema de coordenadas de Goode’s Homoloise. Em seguida, empilhou-se os dados das CA com os de CCR, a fim de obter um conjunto de dados (CD) único. Feito o pré-processamento dos dados, realizou-se a seleção de covariáveis por meio da Correlação de Spearman e Recursive Feature Elimination a fim de reduzir dados redundantes e encontrar o melhor CD. Para o ajuste do do modelo utilizou-se o algoritmo Quantile Random Forest (QRF) e uma validação cruzada de 10 folds e 10 repetições para ajustar o modelo com 100% das amostras selecionadas. Após isso, calculou-se métricas de performance tanto para o modelo gerado, quanto para o modelo nulo. Por fim, criou-se os mapas de CCR em escala global e intervalos de predição 5%, 50%, 95% e para o desvio padrão. Todo esse processamento foi feito no software R. Ao avaliar as métricas de performance notou-se que os valores de erro médio quadrático e erro médio absoluto do QRF foram menores que as do modelo nulo. As CA mais importantes no ajuste foram bio15, bio13 e bio5, respectivamente. O modelo ajustado com o QRF apresentou dificuldade de predição principalmente em regiões desérticas e isentas de amostras. Os preditores bioclimáticos mais importantes estão relacionados a precipitação e temperatura. A precipitação está ligada com o regime hídrico, no qual fornece de água para as plantas realizarem seus processos fisiológicos e desenvolvimento do sistema radicular. Já a temperatura atua na produtividade vegetal, influenciando diretamente no armazenamento de carbono e evapotranspiração. As regiões nas quais o modelo apresentou os valores mais altos de desvio padrão se relacionam com as áreas com baixa densidade amostral, o que demonstra uma maior incerteza espacial e necessidade de amostragem. Portanto, apesar do baixo desempenho do modelo em algumas regiões, os mapas criados revelaram como é a distribuição da CCR global, bem como as regiões que carecem de mais amostragem. Estes dados são de grande valia para abordagens estratégicas para a preservação de sumidouros de carbono radicular e planejamento de medidas de mitigação das mudanças climáticas. |
| Palavras-chave | Machine learning, Mapas de carbono radicular, Carbono do solo |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|