Efeito das características físicas e da cobertura do solo na vazão e turbidez de nascentes sob diferentes abordagens estatísticas
Palavras-chave:
Random Forest, Recuperação de áreas degradas, Machine Learning, AICResumo
A falta de planejamento adequado e o uso desordenado do solo afeta significativamente os recursos naturais, especialmente os hídricos. O aumento do volume de dados para enfrentar desafios complexos, como a proteção e aumento da disponibilidade de recursos hídricos, introduz potenciais problemas como sobreajuste e multicolinearidade durante as análises. Assim, o objetivo deste estudo foi utilizar diferentes métodos estatísticos para mitigar essas questões, analisando os efeitos e as influências dos fatores ambientais e das características físicas do solo na vazão e na turbidez de 82 nascentes. Foram utilizadas diferentes abordagens: Random Forest e Critério de Informação de Akaike, e ambos se mostraram consistentes em relação às variáveis analisadas. A cobertura arbórea apresentou maior correlação com o aumento da vazão, enquanto que a cobertura arbustiva favoreceu o aumento da turbidez. A cobertura arbustiva pode favorecer o escoamento superficial, o que também aumenta a turbidez do fluxo. A cobertura vegetal (arbórea e arbustiva) pode ter favorecido os processos de infiltração da água, aumentando a vazão. Os resultados fornecidos possuem o potencial de desempenhar um importante papel ao orientar as melhores práticas na análise de dados, bem como nas estratégias de recuperação e proteção de nascentes.
Downloads
Referências
AUSTIN, P. C.; TU, J. V. Bootstrap methods for developing predictive models. The American Statistician, v. 58, n. 2, p. 131–137, 2004.
BOS, K; GUPTA, J. Stranded assets and stranded resources: Implications for climate change mitigation and global sustainable development. Energy Research & Social Science, New York, v. 56, p. 101215, 2019.
CHAN, J.Y.-L.; LEOW, S.M.H.; BEA, K.T.; CHENG, W.K.; PHOONG, S.W.; HONG, Z.-W.; CHEN, Y.-L. Mitigating the Multicollinearity Problem and Its Machine Learning Approach: A Review. Mathematics, n.10, v.8, p.1283, 2022.
COSTA, W. C.; PIGA, F. G.; MORAES, M. C. P.; DORICI, M.; SANGUINETTO, E. de C.; de LOLLO, J. A.; MOSCHINI, L. E.; LORANDI, R.; OLIVEIRA, L. J. Fragilidade ambiental e escassez hídrica em bacias hidrográficas: Manancial do Rio das Araras – Araras, SP. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 20, n. 4, p.946-958, 2015.
DE BRITO, A. P. M.; DE MELO, I. M. S; SILVA, R. M. Variabilidade espaço-temporal da estrutura da paisagem e fragmentação florestal na APA da Serra de Baturité no Ceará. Ambiente: Gestão e Desenvolvimento, Boa Vista, v. 1, n. 1, p. 96-104, 2021.
FERNANDES, J. de F.; DE SOUZA, A. L. T.; TANAKA, M. O. Can the structure of a riparian forest remnant influence stream water quality? A tropical case study. Hydrobiologia, New York, v. 724, n. 1, p. 175-185, 2014.
DIEL, P. S.; DA COSTA, P. F.; DE OLIVEIRA, P. S. R.; DA SILVA, N. L. S.; ROSSET, J. S. Capacidade de uso de solo das propriedades rurais na microbacia do córrego Guará no Município de Marechal Cândido Rondon/PR. Scientia Agraria Paranaensis, Marechal Cândido Rondon, v. 12, p. 400–410, 2000.
GAMA, L. H. O. M.; PAIVA, P. F. P. R.; SILVA, O. M. J; RUIVO, M. L. P. Modelagem ambiental e uso de inteligência artificial para prognóstico de desmatamento: o caso da Rebio do Gurupi-MA. Research, Society and Development, Vargem Grande Paulista, v. 10, n. 2, p. e13810211609, 2021.
GENUER, R.; POGGI, J.; TULEAU-MALOT, C.. VSURF: an R package for variable selection using random forests. The R Journal, Vienna, v. 7, n. 2, p. 19-33, 2015.
GOMES, V. P.; ARAÚJO, M.S. B.; GALVÍNCIO, J. D. Mudanças espaço-temporais no uso e cobertura da terra na bacia hidrográfica do rio Pontal a partir de dados referenciais do Google Earth Pro. Revista Brasileira de Geografia Física, Recife, v. 14, n. 7, p.4148-4160, 2021.
HONG, C.; ZHANG, Q.; ZHANG, Y.; DAVIS, S. J.; TONG, D.; ZHENG, Y. Impacts of climate change on future air quality and human health in China. Proceedings of the National Academy of Sciences, Washington, v. 116, n. 35, p. 17193-17200, 2019.
KASSAMBARA, A. rstatix: Pipe-friendly framework for basic statistical tests. 2021. R package version 0.6.0. Available in:< Available in: https://cran. r-project. org/web/packages/rstatix/index. html>. Acessado em: 17 Abril 2023.
KLOCK, A. M.; VOGT, K. A; VOGT, D. J.; GORDON, J. G.; SCULLION, J. J.; SUNTANA, A. S.; MAFUNE, K. K.; POLYAKOV, A. Y.; GMUR, S. J.; DE LA ROSA, C. G. See the forest not the trees! Ecosystem-based assessment of response, resilience, and scope for growth of global forests, Ecological Indicators, New York, v. 140, p. 108973, 2022.
LANTZ, B. Machine Learning with R, 2nd ed., Packt Publishing, 2015, 396 p.
MELLO, K. D.; BRITES, A; BORGES, C. M.; TAVARES, P. A.; METZGER, J. P.; RODRIGUES, R. R.; SANTOS, L. S.; JOLY, C.A.; SPAROVEK, G. Science and environmental policy establishment: the case of the Forest Act in the State of São Paulo, Brazil. Biota Neotropica, São Paulo, v. 22, e20211373, 2022.
OLIVEIRA, R. C. M; LIMA, P. V. P. S; SOUSA, R. P. Gestão ambiental e gestão dos recursos hídricos no contexto do uso e ocupação do solo nos municípios. Gestão & Regionalidade, São Caetano do Sul, v. 33, n. 97, p. 48-64, 2017.
MARMONTEL, C. V. F.; RODRIGUES, V. A. Avaliação qualitativa de nascentes com diferentes coberturas do solo e conservação da vegetação em seu entorno no Córrego Pimenta. Scientia Agraria Paranaensis, Curitiba, v. 14, n. 1, p.53-59, 2015.
PESSI, D. D.; EREIO, P. K. B; ALVES, G. B. M; MARTARELLO, A. P; LOVERDE-OLIVEIRA, S. M. Qualidade da cobertura vegetal em áreas de preservação permanente de nascentes. Anuário do Instituto de Geociências, Rio de Janeiro, v. 41, n. 3, p. 270-280, 2019.
PINTO, L. V. A.; BOTELHO, S. A.; DAVIDE, A. C.; FERREIRA, E. Estudo das nascentes da bacia hidrográfica do Ribeirão Santa Cruz, Lavras, MG. Scientia Florestalis, Piracicaba, n. 65, p. 197-206, 2004.
PINTO, L. V. A.; ROMA, T. N.; BALIEIRO, K. R. C. Avaliação qualitativa da água de nascentes com diferentes usos do solo em seu entorno. Cerne, Lavras, v. 18, p. 495-505, 2012.
R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Disponível em: <https://www.r-project.org> Acesso em: 28/11/2022.
RESENDE, H. C.; MENDES, D. R.; MENDES, J. E. D. G; BERNARDES, W. A. Diagnóstico e ações de conservação e recuperação para as nascentes do córrego-feio, Patrocínio, MG. Bioscience Journal, Uberlândia, v. 25, n.5, p. 112-119, 2009.
RIZOPOULOS, D.; RIZOPOULOS, M. D. (2009). Package ‘bootStepAIC’. R Package Version 1.3-0, <https://cran.r-project.org/web/packages/bootStepAIC/index.html> Acesso em: 28/11/2022.
ROCHA, C. H. BARRA.; PEREIRA, B. H. C.; SILVA, A. F. R. da; OLIVEIRA, M. de; CASQUIN, A. P.; FIGUEIREDO, M. R. de. Impactos do uso do solo nos recursos hídricos da bacia de contribuição do Lago dos Manacás, Minas Gerais, Brasil. Revista Ambiente e Água, Taubaté, v. 11, n. 4, p.929-942, 2016.
SOPHOCLEOUS, M. Interactions between groundwater and surface water: the state of the science. Hydrogeology Journal, n. 10, p. 52–67, 2002.
SYMONDS, M. R.; MOUSSALLI, A. A brief guide to model selection, multimodel inference and model averaging in behavioural ecology using Akaike’s information criterion. Behavioral Ecology and Sociobiology, New York, v. 65, n. 1, p. 13-21, 2011.
TAYLOR, R. Interpretation of the correlation coefficient: a basic review. Journal of Diagnostic Medical Sonography, Thousand Oaks, v. 6, n. 1, p. 35-39, 1990.
TEIXEIRA, P. C.; DONAGEMMA, G. K.; FONTANA, A. I.; TEIXEIRA, W. G. Manual de métodos de análise de solo. Brasília: EMBRAPA Solos, 3 ed. 2017, 574 p.
VAN CAMP, M.; WALRAEVENS, K. Recovery scenarios for deep over-exploited aquifers with limited recharge: methodology and application to an aquifer in Belgium. Environmental Geology, v. 56, p. 1505-1516, 2009.
VIANA, D. S.; KEIL, P.; JELIAZKOV, A. Disentangling spatial and environmental effects: flexible methods for community ecology and macroecology. Ecosphere, Washington, v. 13, n. 4, p. e4028, 2022.
XIONG, B.; NEWTON, S.; LI, V.; SKITMORE, M.; XIA, B Hybrid approach to reducing estimating overfitting and collinearity. Engineering, Construction and Architectural Management, n. 26, v. 10, p. 2170-2185, 2019.
YAMASHITA, T.; YAMASHITA, K.; KAMIMURA, R. A stepwise AIC method for variable selection in linear regression. Communications in Statistics - Theory and Methods, London, v. 36, n. 13, p. 2395-2403, 2007.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Vinicius Barros Rodrigues, Thales Braga Capetine, Fillipe Tamiozzo Pereira Torres
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os artigos desta revista obedecem a licença Creative Commons — Attribution 4.0 International — CC BY 4.0