Unidades de manejo para pinus: desenvolvimento e aplicação de metodologia em áreas de produção no oeste catarinense.

O presente trabalho teve por objetivos desenvolver e aplicar, no oeste catarinense, uma metodologia de estabelecimento de unidades de manejo para pinus a partir do mapeamento semi-detalhado de solos das áreas de estudo. Duas hipóteses de trabalho foram modeladas, ambas utilizando o sistema de produção de pinus local, que não faz correção da deficiência de nutrientes (ΔN): uma interpretação baseada na ausência de resposta ao melhoramento do ΔN, ou seja, que os tetos de produtividade independem dessa ação, sendo esse o modelo atual; e uma segunda interpretação considerando que a ausência do melhoramento do ΔN interfere nos tetos de produtividade do cultivo de pinus para as terras estudadas, modelo que representa um novo paradigma a ser testado. Cada polígono do mapa de solos detalhado foi associado a uma base de dados, que permitiu a definição dos graus de limitação das terras (ΔN, deficiência de água, deficiência de oxigênio, suscetibilidade à erosão e impedimentos ao manejo) para o cultivo do pinus. Conjuntos de critérios, considerando os diferentes graus de limitação alcançados para cada faixa de terra (polígonos do mapeamento de solos), definiram os guias para as classes de unidades de manejo para o cultivo de pinus. O mapeamento de solos semi-detalhado das áreas de produção identificou áreas mapeáveis associadas às classes de solos, em nível de ordem, Latossolos, Nitossolos, Cambissolos, Neossolos e Gleissolos. Essas cinco ordens geraram 36 unidades de mapeamento de solos. As limitações associadas aos atributos profundidade efetiva, relevo e presença de pedregosidade/rochosidade fizeram dos impedimentos ao manejo os fatores de limitação mais importantes para o cultivo de pinus das áreas mapeadas. Os quantitativos das classes de unidades de manejo para pinus dependeram de se considerar ou não a hipótese de resposta ao melhoramento do ΔN no sistema de manejo em uso na região. Na hipótese da ausência de resposta ao melhoramento do ΔN para a produção de pinus, temos os seguintes quantitativos: Apta superior com 113,14 ha (ou 7,5% da área mapeada); Apta inferior com 644,73 (ou 42,8% da área mapeada); Marginal superior com 408,35 (ou 27,1% da área mapeada); Marginal inferior com 277,58 ha (ou 18,4% da área mapeada) e Inapta com 63,2 ha (ou 4,2% da área mapeada). Ao se considerar a hipótese de uma resposta positiva ao melhoramento de ΔN para a produção de pinus e que o atual sistema de manejo não faz esse melhoramento, ocorre uma piora dos resultados, com muitas terras migrando das classes de unidades de manejo Apta (superior e inferior) para a classe Marginal superior.

Digital soil mapping using reference area and artificial neural networks.

Digital soil mapping is an alternative for the recognition of soil classes in areas where pedological surveys are not available. The main aim of this study was to obtain a digital soil map using artificial neural networks (ANN) and environmental variables that express soillandscape relationships. This study was carried out in an area of 11,072 ha located in the Barra Bonita municipality, state of São Paulo, Brazil. A soil survey was obtained from a reference area of approximately 500 ha located in the center of the area studied. With the mapping units identified together with the environmental variables elevation, slope, slope plan, slope profile, convergence index, geology and geomorphic surfaces, a supervised classification by ANN was implemented. The neural network simulator used was the Java NNS with the learning algorithm "back propagation." Reference points were collected for evaluating the performance of the digital map produced. The occurrence of soils in the landscape obtained in the reference area was observed in the following digital classification: medium-textured soils at the highest positions of the landscape, originating from sandstone, and clayey loam soils in the end thirds of the hillsides due to the greater presence of basalt. The variables elevation and slope were the most important factors for discriminating soil class through the ANN. An accuracy level of 82% between the reference points and the digital classification was observed. The methodology proposed allowed for a preliminary soil classification of an area not previously mapped using mapping units obtained in a reference area