Atributos químicos del suelo en áreas en conversión de bosque a pastizal en el sur de la Amazonía brasileña - Grupo Co., Ltd de los laboratorios de minería de Foshan

Scientific Reports volumen 12, Número de artículo: 22555 (2022) Citar este artículo

577 Accesos

1 Citas

1 Altmetric

Detalles de métricas

El sur de la Amazonía brasileña es una de las regiones productoras de ganado más grandes de Brasil, sin embargo, la mayoría de los pastos se encuentran en suelos de baja fertilidad. Así, los ganaderos compensan la baja producción de pastos, aumentando el tamaño de las áreas, generando más deforestación y quemas. Estas prácticas aumentan el proceso de degradación química de los suelos amazónicos, haciéndolos cada vez más infértiles cuando no se manejan adecuadamente. Con eso, el objetivo del trabajo fue evaluar los impactos causados en los atributos químicos de los suelos, en áreas en conversión de bosque a pasto, en el sur de la Amazonía brasileña. El estudio fue realizado en el distrito de União Bandeirantes, en un área de bosque y dos áreas con pastos (brachiaria y pasto mombaça). En campo, se recolectaron muestras de suelo a dos profundidades (0,00–0,10 m y 0,10–0,20 m), para realizar análisis químicos. Además, se realizaron análisis estadísticos uni, bi y multivariados, además de análisis geoestadísticos para estudiar la variabilidad espacial y las zonas de manejo. La conversión de bosque a pasto incrementó los niveles de pH y bases intercambiables, reduciendo la disponibilidad de aluminio intercambiable y la acidez potencial, sin embargo, induce pérdidas de fósforo y carbono orgánico del suelo. Entre los ambientes de pasto, el área de pasto mombaça presentó mayor fertilidad. Se observó mayor variabilidad espacial de atributos químicos en el ambiente con pasto mombaça, indicando mayor heterogeneidad en la distribución de atributos en el área. Atribuimos este comportamiento a la mayor intensidad de pastoreo ya los microrrelieves de la zona que dirigen el flujo de agua y nutrientes.

El estado de Rondônia está estrechamente ligado a la producción agropecuaria, entre las que se destaca la ganadería, siendo el quinto mayor productor entre los estados brasileños con 13.871.863 cabezas de bovino. Porto Velho, la capital del estado, es un importante productor de ganado, ocupando el séptimo lugar entre los municipios con 968.778 cabezas1. Sin embargo, estudios muestran que las áreas de pastoreo se están degradando con el tiempo, debido al bajo manejo adoptado2, provocando pérdidas en la producción de leche y carne. Por lo tanto, es necesario realizar estudios en la región que evalúen la fertilidad del suelo bajo pastizales para brindar información sobre los impactos generados y qué atributos son más sensibles.

Entre los cultivos comerciales, las especies forrajeras representan las plantas de interés económico más cultivadas en Brasil y en el mundo3. Entre las plantas forrajeras utilizadas por los animales, las gramíneas del género Brachiaria y Panicum son las principales opciones para la alimentación del ganado bovino brasileño4.

La práctica de tala y quema ha sido una alternativa económica para despejar áreas forestales e introducir pastos en la Amazonía5. Después de su uso, si el suelo no se maneja correctamente, puede causar cambios negativos en sus atributos y, en consecuencia, la degradación. En este caso, el relieve más inclinado puede intensificarlos6. El relieve, o posición topográfica, es capaz de alterar el contenido de agua del suelo y la intensidad de los procesos de remoción y deposición de sedimentos (erosión)7, aumentando los riesgos de erosión y pérdida de nutrientes8. En estudios que evaluaron la conversión bosque-pasto, Araújo et al.9 y Lisbôa et al.10 demostraron que los atributos químicos más sensibles son la materia orgánica, Ca2+, Mg2+, K+ y P.

En los sistemas de pastoreo, cuando se manejan adecuadamente, pueden mejorar muchas propiedades del suelo, como la retención de agua, la materia orgánica del suelo y el ciclo de nutrientes11. Braz et al.12 observaron un aumento en las reservas de carbono del suelo después de 8 años de uso con pastos en relación con el bosque, y que, si se usa el fuego con frecuencia para la limpieza, hay una disminución. Además, encontraron que la conversión de bosque a pasto con el uso del fuego aumenta los valores de pH y la disponibilidad de P, Ca2+ y K+ en el suelo, y disminuye el Al3+ intercambiable.

Aunque existen varios estudios que han evaluado los impactos causados en el suelo tras la conversión de ambientes forestales en pastizales2,5,12,13, todavía se necesitan estudios en la región de Rondônia, que busquen aumentar la producción de forraje, solo aumentando la fertilidad del suelo, eliminando la demanda por deforestación. Con esto, el objetivo fue evaluar los impactos causados sobre los atributos químicos de los suelos, en áreas de conversión de bosques en pastizales, en el sur de la Amazonía brasileña.

Al evaluar la dispersión de las variables (Cuadro 1), observamos que el coeficiente de variación (CV), presentó valores que varían de 6,71 a 65,37%, siendo clasificado como bajo (< 12%), medio (12-24%) y alto (> 60%)14. El pH en todas las áreas y el V% a la profundidad de 0.10–0.20 m en el área de bosque mostraron CV clasificado como bajo. Ca2+ a una profundidad de 0,00–0,10 m, Na+ a una profundidad de 0,10–0,20 m en el área de pasto brachiaria y mombaça, y K+ a una profundidad de 0,10–0,20 m en el área de mombaça presentaron CV clasificado como alto. Las demás variables presentaron CV clasificadas como moderadas para todas las áreas y profundidades evaluadas.

En los componentes de la acidez del suelo se puede observar que hubo diferencia estadística para todas las variables (Fig. 1). Para el pH, el área con mombaça mostró los valores más altos en la profundidad 0,00–0,10 m (hasta 4,88); sin embargo, a la profundidad de 0.10–0.20 m se observó en el área con valores de brachiaria hasta 5.03. Los valores más bajos se encontraron en el área de bosque en ambas profundidades (3.73 y 3.53). Los niveles más altos de Al3+ se obtuvieron en el área de bosque en ambas profundidades (1.77 y 1.93 cmolc kg−1), mientras que las áreas de potreros presentaron los niveles más bajos, con valores entre 0.62 y 0.94 cmolc kg−1, no diferenciándose estadísticamente entre sí .

Boxplot y prueba de medias de los componentes de la acidez del suelo en diferentes ambientes, en Porto Velho, Rondônia. La línea verde indica el valor medio de los datos. Distintas letras minúsculas representan que hubo diferencias significativas por la prueba de Tukey al 5%.

El mayor contenido de H + Al se observó en 0,00–0,10 m de brachiaria (8,16 cmolc kg−1) y en el área forestal a una profundidad de 0,10–0,20 m (6,44 cmolc kg−1), sin embargo, el área de pasto mombaça tuvo los niveles más bajos (5,15 y 4,55 cmolc kg−1) en las dos profundidades estudiadas.

Las bases intercambiables mostraron una diferencia significativa para las áreas a las diferentes profundidades estudiadas (Fig. 2). Los niveles más altos de bases se encontraron para las áreas de pasto en relación con el bosque a una profundidad de 0,00–0,10 m, un área de brachiaria con los niveles más altos de Ca2+ y Na+ (1,30 y 0,0119 cmolc kg−1), mientras que el área con mombaça el pasto tiene los niveles más altos de Mg2+ y K+ (0.45 y 0.11 cmolc kg−1). A una profundidad de 0,10–0,20 m, el área de bosque mostró los niveles más altos de Ca2+, K+ y Na+ (0,5, 0,05 y 0,005 cmolc kg−1, respectivamente), mientras que el área de pasto mombaça presentó los niveles más altos de Mg2+ (0,28 cmolc kg−1). kg−1).

Boxplot y prueba de medias de bases de suelo intercambiables en diferentes ambientes, en Porto Velho, Rondônia. La línea verde indica el valor medio de los datos. Distintas letras minúsculas representan que hubo diferencias significativas por la prueba de Tukey al 5%.

En la profundidad de 0,00–0,10 m, la CIC mostró una diferencia significativa, en la que los valores más altos se observaron en el área de brachiaria (9,80 cmolc kg−1) y los más bajos para el área de pasto mombaça (6,61 cmolc kg−1). A una profundidad de 0,10–0,20 m, los valores más altos se observaron para el área de bosque (7,04 cmolc kg−1) y los valores más bajos para el área de pasto mombaça (5,29 cmolc kg−1) (Fig. 3). El área de pasto mombaça mostró los valores más altos de saturación de bases en las dos profundidades estudiadas (22,07 y 14,12 cmolc kg−1) (Fig. 3).

Boxplot y prueba de medias de capacidad de intercambio catiónico y saturación por bases de suelo en diferentes ambientes, en Porto Velho, Rondônia. La línea verde indica el valor medio de los datos. Letras minúsculas diferentes representan que hubo diferencias significativas por la prueba de Tukey al 5%.

El área de bosque mostró los niveles más altos de P (5.52 y 3.39 mg kg−1) y TOC (23.88 y 18.09 g kg−1) en las dos profundidades estudiadas en relación con los ambientes de pastura (Fig. 4). Entre las áreas de pasto, el pasto mombaça tuvo los niveles más bajos de P (3,53 y 1,81 mg kg−1) y los niveles más altos de TOC (21,58 y 10,68 g kg−1).

Boxplot y prueba de medias para fósforo y carbono orgánico total del suelo en diferentes ambientes, en Porto Velho, Rondônia. La línea verde indica el valor medio de los datos. Distintas letras minúsculas representan que hubo diferencias significativas por la prueba de Tukey al 5%.

Las interacciones entre cada atributo para los ambientes estudiados se muestran en la Tabla 2. Se observa que el pH mostró una correlación positiva significativa con Ca2+, Mg2+, V%, y negativa para Al3+ en todas las áreas, y también negativa para H+Al en ambientes de pastos. Al3+ mostró una correlación negativa con las bases intercambiables para todas las áreas estudiadas. Además, observamos una correlación positiva significativa del pH con K+ en el área de bosque y mombaça, y con Na+ y CIC para el área de pasto mombaça. El área brachiaria, por otro lado, mostró una correlación negativa entre el pH y la CIC. CEC también mostró una correlación positiva y alta con H + Al (0.86–0.99) para todas las áreas estudiadas.

El carbono orgánico total (COT) del suelo mostró una correlación positiva significativa con Ca2+, Mg2+, K+, V%, CIC y P en todas las áreas estudiadas (Cuadro 2). Se observó una correlación positiva entre TOC y P, lo que indica que P está directamente relacionado con TOC y, en consecuencia, con la materia orgánica. El TOC presentó una correlación positiva con el pH en las áreas de bosque y mombaça, sin embargo, una correlación negativa con el pH en el área de brachiaria. Al3+ mostró una correlación negativa con TOC en áreas de pasto.

El análisis factorial mostró resultados significativos para la profundidad 0.00–0.10 y 0.10–0.20 m (KMO = 0.714 y 0.777 y p < 0.05 para la prueba de esfericidad de Barlett), para las variables estudiadas en los diferentes ambientes, mostrando idoneidad para la construcción del Principal Componentes (PC), que permiten transformar 11 variables originales en dos factores (Fig. 5) (Tabla 3).

Plano factorial de los atributos químicos del suelo en áreas de bosques y pastos, en Porto Velho, Rondônia.

A una profundidad de 0,00-0,10 m, ambos factores fueron responsables de explicar el 75,02% de la varianza de las variables con valores propios mayores a 1. PC1 explica el 49,14%, siendo responsable de las variables pH, Al3+, Ca2+ y Mg2+, PC2 explica el 25,88% de la varianza, siendo responsable de P y TOC. En PC1, el pH, Ca2+ y Mg2+ presentaron valores positivos, mientras que Al3+ presentó valores negativos, esto indica que los atributos que presentaron los mismos signos tienen una correlación directa mientras que los que tienen signos opuestos tienen una correlación inversa. En PC2, P y TOC mostraron valores positivos (Cuadro 3). Al observar el plano factorial para una profundidad de 0,00 a 0,10 m, se forman dos grupos, el primero formado por el bosque, que es discriminado por Al3+, P y TOC, que tienen valores propios mayores que la media, y el segundo formado por áreas de pastos que se caracterizan por valores altos de pH, Ca2+ y Mg2+ (Fig. 5).

A una profundidad de 0,10 a 0,20 m, ambos factores fueron responsables de explicar el 76,54 % de la varianza explicativa. PC1 explicó el 56,98% siendo responsable de P, pH, Al3+, H+Al y TOC, PC2 explicó el 19,56% siendo responsable de Ca2+. En PC1, la mayoría de los atributos mostraron un valor positivo mientras que el pH mostró un valor negativo (Cuadro 3). A través del plan factorial se forman dos grupos, el grupo uno lo forma el bosque, el cual se discrimina por Al3+, H+Al, P y TOC, mientras que el grupo dos lo componen los pastos que se discriminan por pH y Ca2+ (Fig. 5 ).

Las Figuras 6, 7 y 8 muestran los semivariogramas para las áreas de bosque, brachiaria y pasto mombaça, respectivamente. Se observa que todas las variables presentaron una estructura de dependencia espacial, siendo el modelo esférico el único ajustado en todas las áreas y profundidades evaluadas. El coeficiente de determinación (R2) mostró valores que oscilaron entre 0,75 y 0,94 mientras que la validación cruzada (CV) varió entre 0,75 y 1,00 para todas las áreas en las profundidades estudiadas.

Semivariogramas de los atributos químicos del suelo en un área forestal en Porto Velho, Rondônia. Los valores entre paréntesis son respectivamente: rango, R2, Grado de dependencia espacial (DSD) y validación cruzada.

Semivariogramas de los atributos químicos del suelo en un área de pasto brachiaria en Porto Velho, Rondônia. Los valores entre paréntesis son respectivamente: rango, R2, Grado de dependencia espacial (DSD) y validación cruzada.

Semivariogramas de los atributos químicos del suelo en un área de pasto mombaça en Porto Velho, Rondônia. Los valores entre paréntesis son respectivamente: rango, R2, Grado de dependencia espacial (DSD) y validación cruzada.

El rango indica la distancia máxima a la que el atributo está espacialmente correlacionado15. Se observaron valores de rango en la profundidad de 0,00–0,10 m que van desde 18,20 (Al3+) a 83,10 m (P) en el área forestal, 21,40 (Mg2+) a 88,00 m (Na+) para brachiaria y 15,68 (CEC) a 89,00 m ( Ca2+) para el área de pasto mombaça. A una profundidad de 0,10–0,20 m, un rango que va desde 14,02 (V%) a 88,00 m (CEC) para bosque, 16,52 (H + Al) a 88,00 m (Al3+) para brachiaria y 14,96 (V%) a 29,39 m (Na+) para el área de pasto mombaça.

El Grado de Dependencia Espacial (DSD) presentó valores que varían de 0,03 a 69,70% entre las áreas estudiadas, presentando dependencia espacial de fuerte (DSD < 25%) a moderada (26% > DSD < 75%)16, indicando que las variables estudiadas no se distribuyen aleatoriamente en el espacio17.

Al evaluar el área de bosque, a una profundidad de 0.00–0.10 m, se observó que pH, Al3+, H + Al, Ca2+, CIC, V y P mostraron fuerte DSD mientras que los demás atributos mostraron dependencia espacial moderada. A una profundidad de 0,10–0,20 m, H + Al, Ca2+, Mg2+, Na+ y V% mostraron DSD fuerte y los demás moderados. En el área de brachiaria, a 0.00–0.10 m, solo Ca2+, Mg2+ y TOC mostraron DSD fuerte, los otros atributos mostraron DSD moderado. A una profundidad de 0.10–0.20 m, H + Al, Mg2+ y CIC presentaron DSD fuerte, el resto de los atributos mostraron DSD moderado. El área con pasto mombaça presentó DSD fuerte para la mayoría de los atributos estudiados en ambas profundidades, excepto para pH y K+ en la profundidad de 0,00–0,10 m, que presentó DSD moderado.

Las Figuras 9, 10 y 11 muestran los mapas de kriging para las áreas de bosque, brachiaria y mombaça, respectivamente. Se observa que el área de pasto mombaça tiene mayor variabilidad en relación a la distribución de atributos en comparación con las demás áreas.

Mapas kriging de atributos químicos del suelo en un área forestal en Porto Velho, Rondônia.

Mapas kriging de atributos químicos del suelo en un área de pasto brachiaria en Porto Velho, Rondônia.

Mapas kriging de atributos químicos del suelo en un área de pasto mombaça en Porto Velho, Rondônia.

Los semivariogramas escalados para las tres áreas estudiadas se muestran en la Fig. 12. Los gráficos se ajustaron al modelo esférico, que presentó R2 entre 0,57 y 0,73 y validación cruzada entre 0,76 y 0,85. Las áreas estudiadas presentaron valores de rango que van de 20,12 a 23,04 m, encontrándose los valores más altos en el área de brachiaria y los valores más bajos en el área de pasto mombaça. Con respecto al DSD, todas las áreas mostraron una fuerte dependencia espacial, excepto brachiaria a una profundidad de 0,00–0,10 m16.

Semivariogramas escalados para los ambientes estudiados en Porto Velho, Rondônia. Los valores entre paréntesis indican respectivamente: rango, grado de dependencia espacial, R2 y validación cruzada.

En la Tabla 4 se muestra la densidad mínima de muestreo en base al intervalo estimado por los semivariogramas escalonados, para las dos profundidades evaluadas en los diferentes ambientes estudiados. El área con pasto mombaça a una profundidad de 0,10–0,20 m presentó la mayor densidad de muestreo, con 13 muestras ha−1, con un espaciamiento de 20 m, sin embargo, el ambiente forestal a una profundidad de 0,00–0,10 m presentó la menor densidad de muestreo. valor, con 9 muestras ha−1, con un espaciamiento de 21 m.

La figura 13 muestra el semivariograma para los ajustes de puntuación factorial obtenidos del análisis de componentes principales. Los semivariogramas F1 (PC1) para la profundidad de 0.00–0.10 m en los diferentes ambientes están relacionados con las bases intercambiables (Ca2+ y Mg2+) y los componentes de la acidez del suelo (pH y Al3+), los semivariogramas F2 (PC2) están relacionados con P y TOC. A una profundidad de 0,10–0,20 m, F1 se relaciona con los componentes de la acidez del suelo (pH, Al3+ y H + Al) y TOC, mientras que F2 se relaciona solo con Ca2+. En los semivariogramas predominó el ajuste del modelo esférico, que mostró R2 y validación cruzada en un rango de 0,76 a 0,88 y 0,76 a 1,00, respectivamente. Al analizar espacialmente, el F1 a la profundidad de 0,00–0,10 m mostró DSD moderado (64,52 %) para el área brachiaria y el rango más largo (68,00 m), mientras que las otras áreas presentaron DSD fuerte. F2 presentó un DSD fuerte para todas las áreas estudiadas, con un mayor rango de dependencia para el área de bosque (25.00 m). El F1 a una profundidad de 0,10 a 0,20 m mostró DSD moderado para el área brachiaria (52,38 %), que también tuvo el rango más largo (73,00 m), las otras áreas mostraron DSD fuerte. F2, por otro lado, presentó solo DSD fuerte para todas las áreas evaluadas.

Semivariogramas experimentales ajustados a las puntuaciones de los componentes principales para los diferentes ambientes estudiados en Porto Velho, Rondônia. Los valores entre paréntesis son, respectivamente: rango, R2, grado de dependencia espacial (DSD) y validación cruzada.

Al evaluar los componentes de la acidez del suelo, es claro que el área boscosa presentó mayor acidez del suelo, con niveles altos de Al3+ y H+Al en relación a las áreas de pastos. En su trabajo, Braz et al.12 encontraron valores de pH más bajos y niveles más altos de Al3+ y H + Al en el área forestal en relación con las áreas de pastos y atribuyeron este resultado al uso del fuego para limpiar el área, que debido a la ceniza , aumenta el pH y en consecuencia disminuye Al3+. Silva Neto et al.13 explican este mecanismo a través de los incendios que ocurren, de los cuales las cenizas junto con las bases se incorporan al suelo, disociando los iones H+ del complejo de intercambio, y los cationes básicos son adsorbidos en las superficies arcillosas, aumentando la valores de pH. Además, la gran mayoría de los ambientes amazónicos son ácidos, debido a que el material de origen es pobre en bases y la alta precipitación en la región, que lixivia los nutrientes superficiales13,18. Hong et al.19 atribuyen que la variación del pH es de acuerdo a la especie vegetal predominante. Por otro lado, Jeddi y Chaieb20 relacionan la reducción del pH en ambientes naturales debido a la mayor actividad de microorganismos cercanos a la rizósfera de las plantas y la liberación de ácidos orgánicos radiculares. Con relación al Al3+, los altos niveles encontrados en el área forestal pueden deberse al bajo aporte de producción de compuestos orgánicos capaces de complejar el aluminio21,22.

Los altos niveles de bases intercambiables en las áreas de potreros en relación al bosque corroboran con Braz et al.12, quienes encontraron mayores niveles de Ca2+ y K+ en el área de potreros. En su trabajo, Silva Neto et al.13 observaron mayores niveles de cationes en las áreas quemadas en comparación con el bosque, los mismos autores atribuyeron los altos niveles de bases a las cenizas depositadas después de la quema.

En el trabajo de Araújo et al.9, analizando la conversión bosque-pastizal, encontraron bajos niveles de P en las primeras profundidades del suelo. Lisbôa et al.10, estudiando indicadores de calidad del suelo relacionados con la degradación de los pastos en Latossolo, encontraron que el carbono orgánico del suelo es una de las variables sensibles a los cambios en el manejo. La acumulación o liberación de TOC a la atmósfera depende del tipo de manejo aplicado al suelo y al forraje, donde los pastos cultivados en suelos fértiles provocan la acumulación de C. En cambio, cuando se cultivan en suelos de baja fertilidad, la implementación de pastos resulta en pérdidas de C en el suelo. Sin embargo, la magnitud de las pérdidas depende del grado de degradación de los pastos23. La estabilización del carbono orgánico en suelos bajo diferentes tipos de manejo depende de la cantidad de carbono almacenado en el suelo y del tipo de estructura que se deposita24.

Los menores niveles de P y mayor TOC en el área de pasto mombaça en relación a la brachiaria se deben al mayor requerimiento nutricional del pasto mombaça en relación a la brachiaria, que además de requerir más nutrientes, produce más biomasa que contribuye a un mayor depósito de TOC en el suelo25,26.

Las interacciones entre los atributos químicos reflejan la capacidad de una variable para interferir con la otra directa o antagónicamente. Las interacciones del pH con otras variables también fueron observadas por Braz et al.12, quienes estudiaron el efecto de convertir bosque en pasto y observaron que, a medida que aumenta el pH, hay mayor disponibilidad de nutrientes (bases intercambiables) en el suelo y una disminución en el contenido de Al3+ intercambiable en las áreas de pastoreo. Según Perin et al.27, el aumento del pH provoca una disminución del contenido de Al3+ debido a su precipitación, lo que consecuentemente disminuye el contenido de H+Al.

El TOC es uno de los atributos relacionados con la materia orgánica del suelo que más influye en la calidad química del suelo. En su trabajo, Petter et al.28 demostraron que existe una correlación positiva entre TOC y CEC. Esto se debe a la capacidad de la materia orgánica para aportar cargas y nutrientes al suelo, ya que la fracción húmica de la materia orgánica puede presentar entre 200 y 500 cmolc kg−1 de carga negativa sobre el suelo29. Esto promueve la adsorción de bases intercambiables, manteniéndolas en el complejo de intercambio del suelo y evitando que se pierdan por lixiviación30. En su estudio, Galang et al.31 demostraron que los stocks de P inorgánico en las capas superficiales del suelo se deben a la conversión de P orgánico, y esta conversión disminuye con el aumento de la temperatura y el tiempo. A menudo, el TOC está relacionado con la acidez del suelo, especialmente en la región amazónica donde existe una alta actividad biológica, que combinada con un ambiente cálido y húmedo, promueve una mayor producción de CO2 en la solución del suelo, que actúa como fuente de acidez del suelo13. Sin embargo, la materia orgánica tiene la capacidad de acomplejar el aluminio debido a la producción de compuestos orgánicos resultantes de su descomposición21,22, proceso que puede intensificarse en suelos de pastos debido a una mayor exposición a factores climáticos.

En ambas profundidades, los ambientes de pastizales diferían del ambiente de bosque. Esto lo atribuimos al uso del fuego para limpiar las áreas, que debido al aumento de nutrientes presentes en la ceniza en el suelo proporcionó un mayor pH y disponibilidad de nutrientes2. Sin embargo, al convertir a pastos, debido a que los suelos amazónicos son naturalmente ácidos, es necesario adoptar prácticas correctivas y mejorar el suministro de nutrientes32.

El CV permite comparar la variabilidad entre muestras de variables con diferentes unidades, pero no permite analizar la variabilidad espacial de los atributos del suelo ni su patrón espacial33. Las áreas de pasto (brachiaria y mombaça) presentaron mayor CV que el área de bosque. Esta variación en los valores más altos de CV en las áreas de pastos puede atribuirse a las complejas interacciones de los procesos de formación y las prácticas de manejo adoptadas en el suelo y en los cultivos34.

En su trabajo, Oliveira et al.33 estudiaron suelos en Amazonas y observaron el predominio del modelo esférico en el ajuste de semivariogramas por atributos de suelo de áreas boscosas y el modelo exponencial en pastizales. Sin embargo, en este trabajo se observa el predominio del modelo esférico, lo que indica que los atributos tienen una alta continuidad espacial y son menos erráticos en distancias cortas35.

El área con brachiaria mostró los valores de rango más altos para la mayoría de las variables estudiadas con relación a las demás áreas, lo que indica que el área de brachiaria tiene menos variabilidad y es más homogénea. Por otro lado, el área con mombaça mostró los valores de rango más bajos, lo que indica que los atributos químicos de esta área tienen mayor variabilidad y su distribución es más heterogénea. Esta mayor variabilidad en el área de mombaça puede estar relacionada con la mayor intensidad de pastoreo, que corresponde a 6,14 animales ha−1 en relación al área de brachiaria, que es de 4,50 animales ha−1. La mayor intensidad de pastoreo relacionada con las zonas de preferencia de pastoreo36, con microrrelieves locales que dirigen el flujo de agua y nutrientes presentes en el suelo37, contribuyen a la generación de variabilidad de atributos químicos en las áreas de pastoreo.

Oliveira et al.33, estudiaron diferentes manejos del suelo en el sur de Amazonas, los autores encontraron fuerte DSD en el área de bosque y moderado en el área de pasto con brachiaria para atributos químicos a una profundidad de 0,00 a 0,20 m. El área de pasto mombaça mostró un fuerte DSD para la mayoría de las variables en relación con los ambientes de bosque y brachiaria, mostrando que los atributos químicos en este ambiente de cultivo están más influenciados por las propiedades intrínsecas del suelo, vinculadas a factores de formación como material de origen, relieve y clima16.

Como producto de la geoestadística, contamos con mapas kriging que permiten observar la distribución de los atributos estudiados. Con ello, es posible establecer criterios de uso y manejo de forma aislada, permitiendo racionamiento del manejo en relación a la fertilización y corrección química del suelo, distribuyendo los nutrientes en las zonas que más lo necesitan36. Esto permite reducir los costos de producción, aumentar la productividad y reducir los riesgos de contaminación ambiental con el uso excesivo de fertilizantes químicos38.

Las zonas de manejo son subáreas de una parcela más grande donde los atributos del suelo pueden considerarse homogéneos, tienen en cuenta no solo la misma clase de suelo, sino también la variabilidad espacial existente dentro de la misma clase de suelo39. Por lo tanto, la zona de manejo se puede definir dentro de la misma clase de suelo a partir de muestras de suelo en cuadrícula40, utilizadas para desarrollar semivariogramas. Los análisis multivariados, principalmente de componentes principales, se han utilizado para sintetizar nuevas variables a partir de la interacción de varias variables originales, y así diferenciar zonas dentro de los mismos sistemas de manejo del suelo41.

Al evaluar los mapas de kriging de las puntuaciones (Fig. 14), se observa la formación de cinco zonas de manejo. Para Burak et al.42, a mayor puntuación, mayores contribuciones a las correlaciones positivas entre las variables que componen cada factor. Por el contrario, cuanto más bajas son las puntuaciones, mayores son las contribuciones a las correlaciones negativas. Así, al observar los mapas F1 a una profundidad de 0,00-0,10 m, se evidencia que la mayoría de los puntajes son positivos para las áreas de pastizales, mientras que en el área de bosque presentaron mayores puntajes negativos. Las áreas con puntajes positivos indican una correlación directa entre el pH y las bases (Ca2+ y Mg2+), pero las áreas con puntajes negativos más altos se deben al Al3+, que está menos disponible a medida que aumenta el pH y las bases. Para F2, el área de bosque mostró la mayoría de los puntajes positivos, mientras que las áreas de pastos mostraron los más negativos. Esto demuestra que la disponibilidad de P está correlacionada con el aumento del TOC en el área de bosque, y en ambientes de pastizal esto ocurre con menor frecuencia. Para una profundidad de 0,10 a 0,20 m, F1 en el área de bosque mostró la mayoría de los puntajes positivos, mientras que los puntajes de pasto mostraron la mayoría de los puntajes negativos, lo que indica que el TOC en el bosque está correlacionado con los componentes de acidez, sin embargo, esta correlación Ocurre con menos frecuencia en los pastos. Estas correlaciones observadas muestran que cada zona en cada entorno necesita un manejo específico, más o menos intensivo, y con ello aumentar la eficiencia en el uso de los recursos naturales, reducir el impacto de la agricultura en el medio ambiente y optimizar los costos económicos para el sistema de cultivo38, 43.

Mapas kriging de las puntuaciones de los componentes principales para los diferentes ambientes estudiados en Porto Velho, Rondônia.

La conversión del bosque en pastizal por medio del fuego proporcionó un aumento del pH y de los valores de bases intercambiables, reduciendo los contenidos de aluminio intercambiable y la acidez potencial, sin embargo, induce pérdidas de fósforo y carbono orgánico en el suelo.

Mediante el análisis multivariado se observó la formación de dos grupos, el bosque y los potreros. El ambiente forestal se caracteriza por ser más ácido, con mayores niveles de P, carbono orgánico total, aluminio intercambiable y acidez potencial, mientras que los ambientes de pastizal se caracterizan por tener un mayor pH y mayores niveles de bases intercambiables. Entre los ambientes de pasto, el pasto mombaça mostró mayor fertilidad.

El pasto mombaça mostró mayor variabilidad espacial de atributos químicos, lo que se atribuyó a una mayor intensidad de pastoreo y a los microrrelieves que dirigen el flujo de agua y nutrientes.

La variabilidad en las áreas generó zonas de manejo específicas para los componentes de acidez, bases intercambiables, fósforo y carbono orgánico de los suelos. En estos entornos es necesario establecer zonas de manejo específicas, más o menos intensivas, para una mayor eficiencia en el uso de los recursos naturales, reducción del impacto de la agricultura en el medio ambiente y optimización de los costos económicos.

El estudio fue realizado en el distrito União Bandeirantes ubicado en el municipio de Porto Velho, Rondônia, Brasil (Fig. 15), en el año 2019, de septiembre a octubre, al final de la estación seca, en tres áreas, dos áreas cultivadas con pasto brachiaria (Brachiaria brizantha cv. Marandu) y pasto mombaça (Panicum maximum cv. Mombaça) y un área de bosque nativo. Las áreas de estudio están ubicadas en las coordenadas 9°45′41.21″ sur y 64°31′43.18″ oeste para brachiaria, 9°45′9.67″ sur y 64°32′5.88″ oeste para bosque y 9°45′ 12.29″ sur y 64°32′30.11″ oeste hasta mombaça.

Mapa de ubicación y elevación de las áreas de estudio.

El clima de la región pertenece al grupo A (Clima Lluvioso Tropical) y tipo Am (lluvias monzónicas), con una corta estación seca entre junio y septiembre. La precipitación media anual oscila entre 2500 y 2800 mm. La temperatura media anual oscila entre 24 y 26 °C. La humedad relativa es bastante alta, variando entre 85 y 90% en época de lluvias y entre 60 y 70% en época seca44. La tipología de vegetación se denomina bosque ombrófilo denso, constituido por árboles densos y multiestratificados de 25 a 30 m de altura45.

El área de estudio se encuentra sobre las bandejas de la depresión amazónica, el relieve regional presenta una superficie ondulada suave, con una altitud que oscila entre los 100 y los 200 m. Los suelos encontrados se desarrollan a partir de cubiertas sedimentarias indiferenciadas, asociadas a ambientes de abanicos aluviales, cauces fluviales, planicies de inundación y lagos, constituidos por sedimentos cuya granulometría varía de grava a arcilla, con importante lateritización46.

Todos los suelos tienen un relieve local que varía de plano a suave, ondulado y bien drenado. Se clasifican como "Latossolo Amarelo Distrófico típico, A moderado, textura argilosa" según el Sistema Brasileño de Clasificación de Suelos47 (Cuadro 5).

Las áreas se limpiaron con motosierra y fuego, y luego se procedió a la siembra de forrajes. Es importante aclarar que nunca se realizaron encalados y fertilizaciones. En total, hay 110 animales criados en el área de 44,28 ha, que alternan entre los potreros de brachiaria y mombaça cada 45 días. El área con brachiaria fue implantada en 2008 con una extensión de 26,36 ha, permaneció sin uso durante un año y se utilizó con poca frecuencia hasta 2010, luego de lo cual se utilizaron 4,5 animales por ha. El área con pasto mombaça tiene 17,92 ha, fue introducida en 2007, estuvo sin uso durante tres años, después de lo cual se utilizaron 6,14 animales por ha en la rotación de 45 días entre las braquiarias.

En los potreros donde se estaban restaurando los pastos después del pastoreo, se establecieron mallas de estudio de malla de 90 × 60 m para ambas áreas con pasto brachiaria y mombaça, y 90 × 50 m para el área de bosque con un espaciamiento regular de 10 m entre la muestra. puntos. Los suelos fueron muestreados en los puntos de cruce de las mallas, bajo las profundidades de 0.00–0.10 y 0.10–0.20 m, haciendo un total de 60 puntos de muestreo para área de bosque y 70 puntos para área de pastizal, totalizando 400 muestras.

Los puntos de cruce de las mallas fueron georeferenciados con un dispositivo GPS (DATUM SIRGAS 2000) para la construcción del Modelo Digital de Elevación (MDE). En los mismos puntos muestreados con ayuda de nivel de precisión y mirilla (regla), se realizó el levantamiento altimétrico con el fin de estudiar el relieve en las mallas.

Para la obtención de las muestras en los puntos de cruce de las mallas, se recogieron muestras en cada zona con estructura preservada en forma de terrones de 10 cm de altura. Estas muestras se utilizaron para determinar las propiedades químicas del suelo.

Después de que el suelo pasó por el proceso de secado a la sombra y tamizado en malla de 2 mm, caracterizando una tierra fina secada al aire (ADFE), se realizaron análisis químicos de acuerdo con la metodología propuesta por Teixeira et al.48. Se determinó: pH en agua, acidez potencial (H + Al), aluminio intercambiable (Al3+), calcio (Ca2+), magnesio (Mg2+), fósforo (P), potasio (K+) y carbono orgánico total (COT).

El pH en agua se determinó potenciométricamente, utilizando un pHmetro en relación suelo/agua 1:2.5.

El calcio (Ca2+), el magnesio (Mg2+) y el aluminio intercambiable (Al3+) se extrajeron con una solución de KCl 1 mol L−1. Los contenidos de Al3+ se determinaron por titulación, utilizando NaOH 0.025 mol L−1 y azul de bromotimol como indicador colorimétrico. Los niveles de Ca2+ y Mg2+ se determinaron por espectrometría de absorción atómica.

La acidez potencial (H + Al) se extrajo con acetato de calcio tamponado a pH 7,00 y se determinó la titulación utilizando NaOH 0,025 mol L−1 y fenolftaleína como indicador.

El potasio y el fósforo disponible fueron extraídos por Mehlich-1. Los niveles de P se determinaron por espectrofotómetro UV-Vis y los niveles de K+ por espectrofotometría de llama.

Con base en las determinaciones de cationes intercambiables y acidez potencial, se calcularon la capacidad de intercambio catiónico potencial (CEC) y la saturación de bases (V%).

El carbono orgánico total (COT) se determinó mediante el método de Walkley-Black49, modificado por Yeomans y Bremner50.

Para caracterizar físicamente el suelo estudiado, se realizaron análisis granulométricos, de textura, densidad y porosidad48. La granulometría se determinó tamizando el suelo después del secado y separando las fracciones de grava y tierra fina seca al aire (ADFE). La textura del suelo se determinó por el método de la pipeta, con solución de NaOH 1 mol L−1 como dispersante químico y agitación mecánica con agitador tipo Wagner, en un aparato de rotación lenta durante 16 h a 50 rpm. La fracción de arena gruesa y fina se separó por tamizado, y las fracciones de arcilla y limo se separaron por sedimentación. Adicionalmente, se realizó el análisis de arcilla dispersada en agua (CDW), y luego se calculó el grado de floculación (GF) a través de la proporción de la diferencia entre la arcilla total y la arcilla dispersada en agua (CDW). La densidad del suelo (SD) se obtuvo por el método del anillo volumétrico y la densidad de partículas (PD) por el método del globo volumétrico. La porosidad total (TP) se calculó a partir de datos sobre densidades de suelo y partículas, utilizando la siguiente ecuación: TP = (1 − SD/PD).

Después de determinar los atributos químicos, los datos fueron sometidos a análisis univariados, bivariados y multivariados utilizando el software estadístico Statistica 751.

La estadística univariante se evaluó mediante estadística descriptiva, calculando la media, la mediana, el coeficiente de variación, la asimetría y la curtosis. Además, se realizaron gráficos de diagramas de caja para representar estadísticas descriptivas y distribución de datos primarios. La hipótesis de la normalidad de los datos dentro de cada entorno se examinó mediante la prueba de Kolmogorov-Smirnov (KS). Luego, se realizó análisis de varianza ANOVA y, cuando resultó significativo, se realizaron comparaciones de las medias de las variables entre los tres ambientes estudiados, utilizando la prueba de Tukey al 5% de probabilidad.

Mediante la prueba de Kolmogorov-Smirnov al 5% de probabilidad, se observó normalidad en la distribución de los datos para la mayoría de las variables estudiadas, excepto para Na+ en las áreas de bosque y pasto mombaça (y brachiaria en 0,10–0,20 m), para Al3+ en el profundidad de 0,00–0,10 m en las áreas de pasto brachiaria y mombaça, para Ca2+ y Mg2+ a la profundidad de 0,10–0,20 m en el área de brachiaria, y para K+ a la profundidad de 0,10–0,20 m en las áreas de brachiaria y mombaça (Tabla 1).

Esta normalidad también se observa para la media y la mediana próximas entre sí (figs. 1, 2, 3 y 4). La asimetría de los datos mostró valores en torno a −0,51 a 1,33 (Cuadro 1). Se encontraron valores de asimetría superiores a cero para V% a la profundidad de 0,00–0,10 m y Na+ a la profundidad de 0,10–0,20 m en el área forestal, pH y TOC a la profundidad de 0,10–0,20 m en el área de brachiaria y Al3+ en el área de mombaça, lo que indica que la distribución es asimétrica a la derecha. Los demás atributos evaluados para profundidades y áreas mostraron una distribución asimétrica a la izquierda52. Para valores de curtosis que oscilan entre − 1,49 y 1,63, estos deben ser preferiblemente nulos, sin embargo, valores entre − 2 y + 2 son aceptables53.

Se utilizó estadística bivariada para verificar correlaciones entre las variables estudiadas, par por par, para estudiar la influencia directa o antagónica de una sobre la otra. En la evaluación se utilizó la prueba de correlación de Pearson al 5% de probabilidad.

En el análisis multivariado se realizó un análisis factorial de los componentes principales (PC) con el fin de encontrar significación estadística de los conjuntos de atributos químicos del suelo que más discriminan los ambientes, con respecto a las diferentes zonas de estudio, obtenidos como una respuesta sobre qué ambientes sufren más la influencia en sus atributos químicos por la acción antrópica.

La adecuación del análisis factorial se realizó mediante la medida de Kaiser-Meyer-Olkin (KMO), que evalúa las correlaciones simples y parciales de las variables, y mediante la prueba de esfericidad de Bartlett, que pretende rechazar la igualdad entre la matriz de correlación con identidad. La extracción de los factores se realizó mediante el análisis de componente principal, incorporando las variables que presentaron comunalidad igual o mayor a cinco (5,0). La elección del número de factores a utilizar se hizo por el criterio de Kaiser (factores con autovalores superiores a 1,0). Se realizó la rotación ortogonal (varimax) para simplificar el análisis factorial, y representarlo en un plano factorial de las variables y puntajes para los componentes principales54.

Se utilizó geoestadística para evaluar la variabilidad espacial de los atributos químicos del suelo y las puntuaciones obtenidas por análisis factorial. Para realizar el análisis geoestadístico fue necesario conocer si existe dependencia espacial o no de los atributos estudiados, verificado a través de la gráfica del semivariograma. Con base en el supuesto estacionario de la hipótesis intrínseca, se estimó el semivariograma mediante:

siendo ŷ(h) = valor de la semivarianza para una distancia h; \(\eta\)(h) = número de pares involucrados en el cálculo de la semivarianza; Z(xi) = valor del atributo Z en la posición xi; Z(xi + h) = valor del atributo Z separado por una distancia h desde la posición xi.

El ajuste de los semivariogramas se realizó con base en el mejor coeficiente de determinación (R2) y validación cruzada (CV), estimado por el Software GS+ 7.055. A partir de estos ajustes, se definieron los coeficientes del modelo teórico para el semivariograma: efecto pepita (C0) = valor de la semivarianza para la distancia cero, que representa la componente de variación aleatoria; varianza estructural (C1); sill (C0 + C1) = valor de la semivarianza en la que la curva se estabiliza sobre un valor constante; y rango (a) = distancia desde el origen hasta donde el sill alcanza valores estables, expresando la distancia más allá de la cual las muestras no están correlacionadas56.

Para el análisis del grado de dependencia espacial (DSD) de los atributos en estudio se utilizó la clasificación de Cambardella et al.16, en la que las propiedades del suelo se consideran con fuerte dependencia espacial si la relación del efecto pepita (C0) al umbral (C0 + C1) es inferior al 25%. Si la relación está entre 26 y 75%, la dependencia espacial se considera moderada, mientras que si la propiedad del suelo es mayor de 75% a aproximadamente 95%, se clasifican como dependencia espacial débil.

Luego de ajustar los modelos matemáticos permisibles, los datos fueron interpolados mediante kriging en el software Surfer versión 13.0057. La construcción de los mapas de Krigagem permitió verificar y relacionar espacialmente los atributos químicos.

En este trabajo se utilizaron semivariogramas escalados para todas las variables en cada área y profundidad estudiada con el fin de reducirlas a la misma escala, facilitando la comparación entre resultados de diferentes áreas58. Los semivariogramas experimentales se escalaron dividiendo las semivarianzas por la varianza estadística59. La elección del modelo de semivariograma escalado que mejor se ajustaba a los datos se hizo con base en R2 y CV, además del conocimiento práctico del comportamiento de los atributos en los ambientes.

Mediante el alcance de los semivariogramas escalados, se determinó el número mínimo de muestras para que sea posible promover la caracterización de la variabilidad espacial de los atributos estudiados en cada área y profundidad60.

siendo N = número mínimo de muestras requeridas para determinar una malla de muestreo; A = área total, en ha; a = rango del semivariograma, en m.

El conjunto de datos PDIR-CDR generado y analizado durante el estudio actual está disponible del autor correspondiente a pedido razonable.

Asociación Brasileña de Industrias Exportadoras de Carne—ABIEC (2019). Perfil de la ganadería en Brasil. Disponible en: http://www.abiec.com.br/PublicacoesLista.aspx. Consultado el 09 de mayo de 2019.

Zenero, MDO Caracterización y clasificación de suelos bajo bosque y pastizal en un proyecto agroextractivista en la Amazonía Oriental. Rev. Brás. Cienc. Solo 40, 1–17. https://doi.org/10.1590/18069657rbcs201601650 (2016).

Artículo Google Académico

Vitória EL, Fernandes HC, Teixeira MM, Cecon PR & Lacerda EG Correlación lineal y espacial entre la productividad de Brachiaria brizantha, la densidad del suelo y la porosidad total en función del sistema de manejo del suelo. Ing. Agrícola 32, 909–919. https://doi.org/10.1590/S0100-69162012000500010 (2012).

Artículo Google Académico

Silva, JL et al. Masa forrajera y características estructurales y químicas de los cultivares Brachiaria y Panicum. Ciencia Animal Sujetadores. 17, 342–348. https://doi.org/10.1590/1089-6891v17i332914 (2016).

Artículo Google Académico

Navarrete, D., Sitch, S., Aragao, LEOC & Pedroni, L. La conversión de bosques a pastizales en la Amazonía colombiana conduce a dinámicas contrastantes de carbono en el suelo según las prácticas de manejo de la tierra. globo Cambio Biol. 22, 3503–3517. https://doi.org/10.1111/gcb.13266 (2016).

Artículo ANUNCIOS Google Académico

Torres, FN, Richter, R. & Vohlan, MA Enfoque multisensoral para el mapeo de alta resolución de la cobertura terrestre y la degradación de pastos en los trópicos húmedos: un estudio de caso del paisaje fragmentado de Río de Janeiro. En t. Aplicación J. Observación de la Tierra Geoinf. 78, 189–201. https://doi.org/10.1016/j.jag.2019.01.011 (2019).

Artículo Google Académico

Chagas, CS, Fontana, A., Carvalho Junior, W. & Caires, SM Atributos topográficos en la diferenciación de Ultisoles. Rdo. Sujetadores. Ciencia Solo 37, 1441–1453. https://doi.org/10.1590/S0100-06832013000600002 (2013).

Artículo Google Académico

Merten, GH, Araújo, AG, Biscaia, RCM, Barbosa, GMC & Conte, O. Escorrentía superficial sin labranza y pérdidas de suelo en el sur de Brasil. Labranza del suelo Res. 152, 85–93. https://doi.org/10.1016/j.still.2015.03.014 (2015).

Artículo Google Académico

Araújo, EA, Ker, JC, Mendonça, ES, Silva, IR & Oliveira, KO Impacto de la conversión bosque-pastizal en las existencias y dinámicas de carbono y sustancias húmicas del suelo en el bioma amazónico. Acta Amazonas. 41, 103–114. https://doi.org/10.1590/S0044-59672011000100012 (2011).

Artículo Google Académico

Lisbôa, FM, Donagemma, GK, Burak, DL, Passos, RR & Mendonça, ES Indicadores de calidad de Oxisol relacionados con la degradación de los pastos. Investigación agrop. Sujetadores. 51, 1184–1193. https://doi.org/10.1590/s0100-204x2016000900018 (2016).

Artículo Google Académico

Franzluebbers, AJ, Stuedemann, JA & Franklin, DH Infiltración de agua y propiedades estructurales del suelo superficial influenciadas por el tráfico de animales en el sur de Piamonte, EE. UU. Renovar. agricola Sistema de alimentos 27, 256–265. https://doi.org/10.1017/S1742170511000378 (2011).

Artículo Google Académico

Braz, AMB, Fernandes, AR & Alleoni, LRF Atributos del suelo después de la conversión de bosque a pastizal en la Amazonía. Degradación de la tierra. desarrollo 24, 33–38. https://doi.org/10.1002/ldr.1100 (2013).

Artículo Google Académico

Silva Neto, ECD et al. Evaluación temporal de los atributos químicos del suelo después de la agricultura de tala y quema en la Amazonía occidental brasileña. Acta Scientiarum. Agron. 41, e42609. https://doi.org/10.4025/actasciagron.v41i1.42609 (2019).

Artículo Google Académico

Warrick, AW & Nielsen, DR Variabilidad espacial de las propiedades físicas del suelo en el campo. En Aplicaciones de la Física del Suelo (ed. Hillel, D.) (Academic Press, Nueva York, 1980). https://doi.org/10.1016/b978-0-12-348580-9.50018-3.

Capítulo Google Académico

Dalchiavon, FC, Carvalho, MP, Andreotti, M. & Montanari, R. Variabilidad espacial de los atributos de fertilidad de un Oxisol bajo sistema de labranza cero. Rdo. Ciencia Agron. 43, 453–461. https://doi.org/10.1590/S1806-66902012000300006 (2012).

Artículo Google Académico

Cambardella, CA et al. Variabilidad a escala de campo de las propiedades del suelo en el centro de Iowa. Ciencia del suelo Soc. Soy. J. 58, 1501–1511. https://doi.org/10.2136/sssaj1994.03615995005800050033x (1994).

Artículo ANUNCIOS Google Académico

Cavalcante, EGS, Alves, MC, Souza, ZM & Pereira, GT Variabilidad espacial de los atributos físicos del suelo bajo diferentes usos y manejos. Rdo. Sujetadores. Ing. Agrícola Ambiental 15, 237–243. https://doi.org/10.1590/S1415-43662011000300003 (2011).

Artículo Google Académico

Cravo, MS, Smyth, TJ & Brasil, EC Encalado en un Latosol Amarillo distrófico del Amazonas y su influencia en los atributos químicos del suelo y rendimiento de cultivos anuales. Rdo. Sujetadores. Ciencia Solo 36, 895–908. https://doi.org/10.1590/S0100-06832012000300020 (2012).

Artículo CAS Google Académico

Hong, S. et al. La forestación neutraliza el pH del suelo. Nat. común 9, 520. https://doi.org/10.1038/s41467-018-02970-1 (2018).

Artículo ADS CAS Google Académico

Jeddi, K. & Chaieb, M. Cambios en las propiedades del suelo y la vegetación luego de la exclusión del pastoreo de ganado en ambientes áridos degradados del sur de Túnez. Flora 205, 184–189. https://doi.org/10.1016/j.flora.2009.03.002 (2010).

Artículo Google Académico

Ciotta, MN et al. Acidificación de un Oxisol bajo labranza cero. Rdo. Sujetadores. Ciencia Solo 26, 1055-1064. https://doi.org/10.1590/S0100-06832002000400023 (2002).

Artículo CAS Google Académico

Mantovanelli, BC et al. Distribución espacial de los componentes de la acidez del suelo en un área de pastizal natural en la región de Humaitá, Amazonas. Rdo. Ciencia Agroambiental 14, 1–9. https://doi.org/10.1590/S1806-66902010000400001 (2016).

Artículo Google Académico

Carvalho, JLN et al. Impacto de los sistemas de pastoreo, agricultura y cultivo-ganadería en las reservas de C del suelo en Brasil. Labranza del suelo Res. 110, 175–186. https://doi.org/10.1016/j.still.2010.07.011 (2010).

Artículo Google Académico

Assunção, SA, Pereira, MG, Rosset, JS, Berbara, RLL & García, AC Aporte de carbono y calidad estructural de la materia orgánica del suelo en función del manejo agrícola en una región de clima tropical de Brasil. ciencia Entorno Total. 658, 901–911. https://doi.org/10.1016/j.scitotenv.2018.12.271 (2019).

Artículo ADS CAS Google Académico

Freitas, KR et al. Evaluación de la composición química y bromatológica del pasto Mombaça (Panicum maximum) sometido a diferentes dosis de nitrógeno. Biosci. J. 23, 1–10. https://doi.org/10.1590/S0034-737X2012000500005 (2007).

Artículo Google Académico

Mendonça, VZD, Mello, LM, Pereira, FC, Silva, JODR & Yano, É. H. Producción de maíz para ensilaje intercalado con forrajes en la integración agropecuaria. Ing. agricola 34, 738–745. https://doi.org/10.1590/S0100-69162014000400013 (2014).

Artículo Google Académico

Perin, E., Ceretta, CA & Klamt, E. Tiempo de uso agrícola y propiedades químicas de dos Ferralsoles en la región del Planalto Medio del Estado de Rio Grande do Sul, Brasil. Rev. Padre. Sujetadores. Cienc. Verdad 27, 665–674. https://doi.org/10.1590/S0100-06832003000400011 (2003).

Artículo CAS Google Académico

Petter, FA et al. Cultivo de soja y cultivos de cobertura como estrategia de agricultura baja en carbono: secuestro de CO2 y aumento de las reservas de carbono en un Oxisol del sur de la Amazonía. Registro de geoderma. 11, 53–61. https://doi.org/10.1016/j.geodrs.2017.09.001 (2017).

Artículo Google Académico

Alleoni, L. R. F., Mello, J. W. V. D. & Rocha, W. S. D. D. Química e Mineralogia do Solo Vol. 2 (SBCS, Viçosa, 2009).

Google Académico

Feng, C., Ma, Y., Fu, S. y Chen, HY Dinámica de nutrientes y carbono del suelo después del cese de las perturbaciones antropogénicas en bosques subtropicales degradados. Degradación de la tierra. desarrollo 28, 2457–2467. https://doi.org/10.1002/ldr.2781 (2017).

Artículo Google Académico

Galang, MA, Markewitz, D. & Morris, LA Transformaciones del fósforo del suelo bajo la quema de bosques y tratamientos térmicos de laboratorio. Geoderma 55, 401–408. https://doi.org/10.1016/j.geoderma.2009.12.02 (2010).

Artículo ANUNCIOS Google Académico

Pantoja, JCM et al. Análisis multivariado en la evaluación de los atributos del suelo en áreas bajo diferentes usos en la región de Humaitá, AM. Rev. Ambiente Água 14, 1–16. https://doi.org/10.4136/ambi-agua.2342 (2019).

Artículo CAS Google Académico

Oliveira, IA et al. Variabilidad espacial y densidad de muestreo de susceptibilidad magnética y atributos de Ultisoles en la Región de Manicoré, AM. Rdo. Sujetadores. Ciencia Solo 39, 668–681. https://doi.org/10.1590/01000683rbcs20140496 (2015).

Artículo CAS Google Académico

Bottega, EL, Queiroz, DM, Pinto, FAC & Souza, CMA Variabilidad espacial de los atributos del suelo en un sistema de labranza cero con rotación de cultivos en el cerrado brasileño. Rdo. Ciencia Agron. 44, 1–9. https://doi.org/10.1590/S1806-66902013000100001 (2013).

Artículo Google Académico

Isaaks, EH & Srivastava, RM Una introducción a la geoestadística aplicada (Oxford University Press, Nueva York, 1989).

Google Académico

Alencar, NM, Melo, JC, Santos, AC, Cunha, OFR & Paula Neto, JJ Distribución espacial de las propiedades del suelo, producción de pasto marandú con intensidad de pastoreo. Rdo. Ing. Agrícola 24, 338–349. https://doi.org/10.13083/reveng.v24i4.602 (2016).

Artículo Google Académico

Artur, AG et al. Variabilidad espacial de los atributos químicos del suelo asociados con el microrrelieve. Rdo. Sujetadores. Ing. Agrícola Ambiente 18, 141–149. https://doi.org/10.1590/S1415-43662014000200003 (2014).

Artículo Google Académico

Santos, KEL, Bernardi, ADC, Bettiol, GM & Crestana, S. Geoestadística y geoprocesamiento en la toma de decisiones sobre el uso de insumos en una pastura. Rdo. Sujetadores. Ing. Biosistemas 11, 294–307. https://doi.org/10.18011/bioeng2017v11n3p294-307 (2017).

Artículo Google Académico

Oliveira, JF et al. Variabilidad espacial de la calidad física del suelo de las zonas de manejo. Resumen. agricola 20, 1251–1273. https://doi.org/10.1007/s11119-019-09639-9 (2019).

Artículo Google Académico

Lal, R. & Stewart, BA Agricultura específica del suelo: agricultura de precisión (CRC Press, Boca Raton, 2015).

Libro Google Académico

Panishkan, K., Areekijseree, M., Sanmanee, N. & Swangjang, K. Clasificación de suelos basada en su composición usando análisis de componentes principales. EnvironmentAsia 3, 47–52. https://doi.org/10.14456/ea.2010.7 (2010).

Artículo Google Académico

Burak, DL, Passos, RR & Andrade, FV Variabilidad espacial de los atributos químicos del suelo bajo café Conilon: Relación con textura, materia orgánica y relieve. Bragantia 71, 538–547. https://doi.org/10.1590/S0006-87052012000400012 (2012).

Artículo CAS Google Académico

Matías, SSR et al. Recomendación de encalado basada en la variabilidad espacial de los atributos químicos del suelo en el Cerrado brasileño. Rdo. Ciencia Agrar. 42, 896–907. https://doi.org/10.19084/rca.17735 (2019).

Artículo Google Académico

Alvares, CA, Stape, JL, Sentelhas, PC, Gonçalves, JLM & Sparovek, mapa de clasificación climática de G. Köppen para Brasil. Meteorol. Z. 22, 711–728. https://doi.org/10.1127/0941-2948/2013/0507 (2013).

Artículo Google Académico

Perigolo, NA, Medeiros, MB & Simon, MF Tipos de vegetación de la parte alta del río Madeira en Rondônia, Brasil. Brittonia 69(423–446), 2017. https://doi.org/10.1007/s12228-017-9505-1 (2017).

Artículo Google Académico

Adamy, A. Geodiversidad en el estado de Rondônia. Porto Velho: CPRM 337. https://scholar.google.com/scholar_lookup?title=Geodiversidade%20do%20estado%20de%20Rond%C3%B4nia&publication_year=2010&author=A.%20Adamy (2010).

Santos, HG et al. Sistema Brasileño de Clasificación de Suelos, 5º (ed. Embrapa, B.). https://www.embrapa.br/solos/sibcs (2018).

Teixeira, PC, Donagema, GK, Ademir, F. & Teixeira, WG Manual de métodos de análisis de suelos, 3ª (ed. Embrapa, B.). https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1085209/manual-de-metodos-de-analise-de-solo (2017).

Walkley, A. & Black, IA Un examen del método degtjareff para determinar la materia orgánica del suelo y una modificación propuesta del método de valoración del ácido crómico. Ciencia del suelo 37, 29–38. https://doi.org/10.1097/00010694-193401000-00003 (1934).

Artículo ADS CAS Google Académico

Yeomans, JC & Bremner, JM Un método rápido y preciso para la determinación rutinaria de carbono orgánico en el suelo. común Ciencia del suelo Planta Anal. 19, 1467–1476. https://doi.org/10.1080/00103628809368027 (1988).

Artículo CAS Google Académico

STATSOFT Inc. Statistica (sistema de software de análisis de datos), versión 7.0. Estados Unidos (2004).

Zanão Júnior, LA, Lana, RMQ, Carvalho-Zanão, MP & Guimarães, ED Variabilidad espacial de atributos químicos a diferentes profundidades en un Oxisol bajo sistema de labranza cero. Rdo. Ceres 57, 429–438. https://doi.org/10.1590/S0034-737X2010000300021 (2010).

Artículo Google Académico

Negreiros Neto, JV et al. Variabilidad espacial de los atributos fisicoquímicos de un Latosol rojo-amarillo distrófico bajo sistema de labranza cero. Seminario Ciênc. Agrar. 35, 193–204. https://doi.org/10.5433/1679-0359.2014v35n1p193 (2014).

Artículo Google Académico

Mingoti, SA Análisis de datos mediante métodos estadísticos multivariados. Universidad Federal de Minas Gerais—Belo Horizonte 295 (2007).

Software de diseño gamma (GS+). Geoestadística para las Ciencias Ambientales 7ª ed. Plainwell: Diseño Gamma (2004).

Oliver, MA & Webster, R. Una guía tutorial de geoestadística: computación y modelado de variogramas y kriging. CATENA 113, 56–69. https://doi.org/10.1016/j.catena.2013.09.006 (2014).

Artículo Google Académico

Golden Software Inc. SURFER para Windows, Realese 13.0: Contorno y mapeo de superficies 3D para ingenieros científicos, guía del usuario. Nueva York, Estados Unidos (1999).

Ceddia, MB et al. Topografía y variabilidad espacial de las propiedades físicas del suelo. ciencia Agrícola 66, 338–352. https://doi.org/10.1590/S0103-90162009000300009 (2009).

Artículo Google Académico

Guimarães, EC Variabilidad espacial de la humedad del suelo y densidad aparente en un Oxisol. Maestría, Universidad de Campinas, Campinas. https://bdtd.ibict.br/vufind/Record/CAMP_17e6c9a953ce973b569359e4153b912a (1993).

Oliveira, IA et al. Uso de semivariogramas escalados en la muestra de planificación de las propiedades químicas del suelo en el sur de Amazonas, Brasil. Rev. Brás. Cienc. Solo 39, 31–39. https://doi.org/10.1590/01000683rbcs20150525 (2015).

Artículo CAS Google Académico

Descargar referencias

Grupo de Investigación de Medio Ambiente y Suelos Amazónicos (GPSAA), Facultad de Ciencias Agrarias, Universidad Federal de Amazonas (FCA/UFAM), Manaus, AM, Brasil

Alan Ferreira Leite de Lima & Wildson Benedito Mendes Brito

Grupo de Investigación de Medio Ambiente y Suelos Amazónicos (GPSAA), Departamento de Suelos e Ingeniería Rural, Centro de Ciencias Agrícolas, Universidad Federal de Paraíba (DSER/CCA/UFPB), Areia, PB, Brasil

Milton César Costa Campos

Grupo de Investigación de Medio Ambiente y Suelos Amazónicos (GPSAA), Instituto de Educación, Agricultura y Medio Ambiente, Universidad Federal de Amazonas (IEAA/UFAM), Humaitá, AM, Brasil

Thalita Silva Martins, Guilherme Abadia Silva & José Maurício da Cunha

Grupo de Investigación de Medio Ambiente y Suelos Amazónicos (GPSAA), Centro de Estudios Superiores de Itacoatiara, Universidad Estatal de Amazonas (CESIT/UEA), Itacoatiara, AM, Brasil

Luis Antonio Coutrim dos Santos

Grupo de Investigación de Medio Ambiente y Suelos Amazónicos (GPSAA), Instituto Federal de Educación, Ciencia y Tecnología de Rondônia (IFRO), Ariquemes, RO, Brasil

Ivanildo Amorim de Oliveira

También puede buscar este autor en PubMed Google Scholar

AFLL: Conceptualización, Metodología, Investigación, Validación, Análisis Formal, Redacción, Administración de Proyectos. MCCC y LACS: Conceptualización, Recursos, Supervisión. TSM, GAS y WBMB: Metodología, Investigación. IAO y JMC: Revisión y Edición.

Correspondencia a Alan Ferreira Leite de Lima.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

de Lima, AFL, Campos, MCC, Martins, TS et al. Atributos químicos del suelo en áreas en conversión de bosque a pastizal en el sur de la Amazonía brasileña. Informe científico 12, 22555 (2022). https://doi.org/10.1038/s41598-022-25406-9

Descargar cita

Recibido: 10 Agosto 2022

Aceptado: 29 de noviembre de 2022

Publicado: 29 diciembre 2022

DOI: https://doi.org/10.1038/s41598-022-25406-9

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.