Resumo

O solo e a água são recursos naturais fundamentais para a manutenção da vida na Terra, e a gestão adequada desses elementos é crucial para equilibrar as necessidades humanas com a preservação do meio ambiente. No ciclo hidrológico, a evapotranspiração é um dos principais componentes do balanço hídrico e seu conhecimento é essencial para o gerenciamento e conservação de bacias hidrográficas. Além disso, é utilizada no manejo da irrigação, visando maior eficiência no uso da água na agricultura e aumento da produtividade das culturas. A água, além de sustentar a vida, é a principal responsável pela erosão dos solos no Brasil, uma vez que as chuvas fornecem a energia necessária para os processos erosivos. O solo é um recurso natural não renovável em escala humana e as taxas de perda por erosão têm sido crescentes. A energia da chuva, conhecida como erosividade, é um dos principais fatores responsáveis pelas perdas de sedimentos em todo o mundo. A erosividade é utilizada em modelos de predição da erosão, como a Equação Universal de Perda de Solo (USLE) e a sua versão revisada (RUSLE), mas a obtenção dessas informações não é simples, sendo os valores geralmente pontuais e não extrapoláveis com segurança para outras áreas que necessitam de estimativas de perdas de solo. As técnicas tradicionais de espacialização, como krigagem, ponderação pelo inverso da distância ou polígonos de Thiessen, muitas vezes não representam adequadamente a variabilidade que ocorre nos ambientes. Por outro lado, modelos de machine learning, juntamente com produtos de sistemas de informação geográfica (SIG) e imagens orbitais, têm sido recentemente utilizados como ferramentas eficazes para monitorar e modelar diversas características da superfície terrestre. Neste trabalho, foram desenvolvidas ferramentas para modelagem das variáveis hídricas de evapotranspiração de referência (ETo) e de erosividade das chuvas para todo o Brasil, utilizando sensoriamento remoto orbital e inteligência artificial. Os objetivos deste estudo foram: i) modelar a ETo em tempo real para todo o Brasil, permitindo disponibilizar as imagens em até 10 minutos após o fim do dia; e ii) modelar e produzir um mapa de erosividade das chuvas para o Brasil, com resolução espacial de 30 segundos de arco (~ 1 km2). Para a modelagem da ETo, foram utilizados produtos WorldClim, dados de radiação extraterrestre diária, médias e desvio padrão da evapotranspiração diária obtidos de estações meteorológicas do Instituto Nacional de Meteorologia (INMET), além de algoritmos de machine learning. Foram utilizados os indicadores de desempenho RMSE, nRMSE, MAPE, d e NSE para avaliar e selecionar o melhor modelo. O modelo que apresentou o melhor desempenho para ETo foi o cubist, com MAPE de 17,4%, RMSE de 0,792, nRMSE de 57,3%, d de 0,883 e NSE de 0,634. Para modelagem da erosividade das chuvas, foram empregados dados provenientes de estudos científicos (erosividades determinadas por pluviógrafos), técnicas de SIG e modelagem com machine learning. Das 31 covariáveis pré-selecionadas, 7 foram utilizadas na modelagem, listadas em ordem de importância: longitude, radiação solar, precipitação anual, precipitação do trimestre mais frio, velocidade do vento, precipitação do trimestre mais quente e evapotranspiração de referência anual. Após 400 ciclos de treinamento e validação, o modelo que apresentou os melhores indicadores de desempenho para erosividade foi o Random Forest, utilizando os valores das medianas. Os índices obtidos foram: NSE de 0,5823, RMSE de 1.567,17 MJ mm ha-1 h -1 ano-1 , MAE de 1.135,90 MJ mm ha-1 h -1 ano-1 , nRMSE de 58.50%, ME de -17.76 MJ mm ha-1 h -1 ano-1 e d de 0,8487. Conclui-se que o produto ETo é extremamente útil e viável para estimativas da evapotranspiração de referência em todo o Brasil. Além disso, foi possível utilizar variáveis climáticas e geográficas para construir mapas de erosividade das chuvas com níveis conhecidos de erro e precisão em uma escala nacional.

Resumo

Neste trabalho objetivou-se estimar valores de evapotranspiração de referência mensal e a máxima dos doze meses, visando o dimensionamento de sistemas de irrigação para o território brasileiro, a partir da calibração do produto MOD16. Utilizaram-se dados das estações convencionais do INMET, a fim de validar e calibrar todos os valores de evapotranspiração das imagens MOD16. Após a calibração utilizando machine learning e covariáveis do worldclim, as imagens calibradas foram utilizadas para modelar a evapotranspiração de referência para projeto de irrigação. Para isso, processou-se por meio de uma operação fuzzy, para cada mês, os máximos valores mensais ao longo dos 15 anos, pixel a pixel e, posteriormente, dividiu-se pelo número de dias do mês, encontrando assim, a média diária da máxima mensal, de quinze anos de dados do produto MOD16. Com esse produto e as variáveis do wordclim, foi possível modelar a evapotranspiração de referência para projeto de irrigação para todo o Brasil, utilizando uma probabilidade de oitenta por cento de ocorrência. A calibração do produto MOD16 se mostrou efetiva, já que o resíduo médio reduziu de 58,62 para 6,36 mm por mês depois da calibração e o erro quadrático médio reduziu de 66,58 para 10,23 mm por mês. Para a evapotranspiração de referência para projeto chegou-se a um erro quadrático médio de 0,306 mm d-¹ , os valores são viáveis para utilização em projetos de irrigação, já que os valores de estimativas se assemelham a diversos outros autores que trabalharam com essa evapotranspiração em uma coordenada específica.