Engenharia Florestal (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/15
Siglas das Coleções:
APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso
Navegar
5 resultados
Resultados da Pesquisa
Item A experiência agroecológica do Sítio do Futuro: um estudo de caso como modelo de desenvolvimento sustentável(2022-05-27) Silva, Luana Cristine Ferreira da; Oliveira, Maria do Socorro de Lima; http://lattes.cnpq.br/1088572350623888; http://lattes.cnpq.br/6404147255589837O meio rural formado por agricultores/as, experimentadores/as agroecológicos é um espaço rico em vivências, de saberes ancestrais que são passados entre as gerações, se constituindo como um território de resistência e enfrentamentos aos pacotes proporcionados pela revolução verde que, de certa forma ocasionou e ocasiona problemas sociais, ambientais e econômicos. Nesta perspectiva sistematizar e descrever experiências agroecológicas é uma forma de enfrentamento a esse modelo de agricultura convencional. O presente trabalho se configura como um estudo de caso que busca retratar a realidade profunda, procurando revelar as múltiplas dimensões presentes na experiência agroecológica de seu Barrim e dona Marilene, vivenciada no Sítio do Futuro/Ouricuri-PE. Na metodologia será realizada uma análise no agroecossistema tendo como finalidade colocar luz na agrobiodiversidade presente nos quintais produtivos, nos bens agrícolas, florestais e culturais. Bem como as rodas de conversas e uma análise de algumas variáveis qualitativas do método LUME como: autonomia e equidade de gênero. Os dados obtidos nessa pesquisa demonstram a importância e contribuição da experiência de seu Barrim e Dona Marilene na preservação e manutenção da agrobiodiversidade, na soberania e segurança alimentar da família, ajudando no combate aos processos de mudanças climáticas, desertificação do semiárido, perda de biodiversidade e a degradação de ecossistemas, bem como sua contribuição social.Item Influência de granitos anorogênicos (Tipo A) na geoquímica de elementos terras raras em solo no semiárido brasileiro(2023-02-24T03:00:00Z) Santana, Laura Mariana Nascimento de; Silva, Ygor Jacques Agra Bezerra da; Nascimento, Rennan Cabral; http://lattes.cnpq.br/5916790861002578; http://lattes.cnpq.br/0904824873761236; http://lattes.cnpq.br/5352138228552126As demandas globais pelos elementos terras raras (ETRs) estão aumentando anualmente e, consequentemente, o acúmulo desses elementos no solo e no ambiente tem provocado impactos adversos na saúde humana e ambiental, causando preocupação crescente não apenas na comunidade científica, mas em toda sociedade. A geoquímica de ETRs em solos permanece pouco compreendida, principalmente em ambientes semiáridos. Estudos sobre a dinâmica de ETRs em diferentes contextos geológicos, pedológicos e climáticos são necessários para entender os diferentes comportamentos biogeoquímicos desses elementos. Porém, ainda não há estudos sobre o efeito de granitos tipo A nos atributos físicos, químicos e mineralógicos de solos localizados em distintas condições ambientais. Nesse sentido, o presente trabalho teve como objetivo avaliar a influência da mineralogia de granitos anorogênicos (Tipo A) na mineralogia e geoquímica de elementos terras raras no semiárido brasileiro. O perfil de solo foi selecionado com base no mapa geológico de Pernambuco. O granito tipo A foi analisado em microscópio petrográfico, por microscopia eletrônica de varredura e espectroscopia por energia dispersiva de raios X. A morfologia do solo foi descrita com base no Manual de Descrição e Coleta de Solo no Campo e a classificação do perfil de solo foi feita conforme o Sistema Brasileiro de Classificação de Solos. As leituras de ETRs foram feitas por espectrometria de emissão óptica. Um difratômetro de raios X foi usado para identificar os minerais nas frações do solo. O perfil de solo derivado de granito tipo A no semiárido foi classificado como CAMBISSOLO HÁPLICO Ta Eutrófico Típico, definido pela presença de horizonte diagnóstico B incipiente (Bi), sendo profundo, não pedregoso, não cascalhento e não rochoso. Com base no manual de recomendação de adubação para o estado de Pernambuco, a fertilidade natural do perfil de solo originado de granito tipo A foi considerada moderada. O granito tipo A apresentou alta proporção de minerais máficos e acessórios, principalmente biotita, hornblenda, allanita, granada, minerais opacos e apatita. O intemperismo da bastnasita e da monazita foram as principais fontes de ETRs no solo. A concentração média total de ETRs no perfil de solo originado de granito tipo A foi muito alta (394,2 mg kg-1), sendo superior à média dos solos derivados de outros tipos de granitos (Tipos I e S), bem como da média dos solos da Europa, China, Japão, Suécia e dos solos de referência do Brasil. O solo derivado de granito tipo A apresentou enriquecimento de ETRs, com leve fracionamento entre os ETRLs e ETRPs. A razão LaN/YbN um pouco superior a um também confirmou o leve fracionamento entre ETRLs/ETRPs. Não houve fracionamento entre os ETRLs (razão LaN/SmN <1). Contudo, houve leve fracionamento entre os ETRPs (razão GdN/YbN > 1) devido a esses metais serem mais móveis do que os ETRLs. A anomalia positiva de cério (Ce) é justificada pela condição oxidante do perfil, em que o Ce3+ transforma-se em Ce4+, apresentando baixa solubilidade e maior tendência ao enriquecimento. A anomalia positiva de európio (Eu) é explicada pela substituição do Eu pelo estrôncio (Sr2+) nos plagioclásios. Logo, a anomalia positiva do Eu no solo é reflexo dessa mesma assinatura geoquímica no seu material de origem. A composição mineralógica do granito tipo A, assim como a mineralogia do solo apresentou forte influência na geoquímica de ETRs no solo. Este estudo fornece evidências da influência do granito tipo A na geoquímica de ETRs em solo situado no semiárido brasileiro.Item Uso de machine learning e sensoriamento remoto para a identificação da floresta tropical sazonalmente seca no Parque Nacional do Catimbau(2021-01-20) Monteiro Junior, José Jorge; Alba, Elisiane; El-Deir, Soraya Giovanetti; http://lattes.cnpq.br/3202139188457904; http://lattes.cnpq.br/1465154212352591; http://lattes.cnpq.br/0911037640720248A classificação de florestas tropicais sazonalmente secas é um dos maiores desafios das análises ambientais por sensoriamento remoto, tendo em vista as características fitofisionômicas da floresta que se assemelham remotamente das características do solo exposto, gerando erros amostrais em estudos de monitoramento florestal. O objetivo deste trabalho foi utilizar-se do aprendizado de máquinas para entender a dinâmica de uso e cobertura da terra no Parque Nacional do Catimbau nos períodos de maior precipitação (úmido) e menor precipitação (seco) a partir do imageamento LANDSAT. O trato metodológico ocorreu a partir da obtenção de dados Landsat no ano de 2019 para o período úmido e período seco, os dados brutos foram pré processados em sistemas de informação geográficos a fim de (i) selecionar bandas; (ii) delimitar área de estudo; (iii) executar a correção atmosférica; e (iv) fazer a junção das bandas de satélite (bandset). Foi criado um shapefile para treinamento dos algoritmos de aprendizado de máquina contendo amostras das classes encontradas na área de estudo, estas sendo, as fitofisionomias arbórea-arbustiva e arbustiva-herbácea, áreas antropizadas, solo exposto, e outras áreas (i.e. nuvens, componentes hídricos, rodovias). No software R foram utilizados os algoritmos tanto para a classificação supervisionada (com base na validação cruzada, método k-fold e teste de Friedman e Nemenyi) quanto para a espacialização dos dados utilizando os algoritmos citados. Com os metodos descritos foi possível observar que os valores de NDVI fomentaram a ideia de que a fitofisionomia arbustiva-herbácea apresenta reflectância similiar ao solo exposto em algumas áreas no período seco. No período úmido, o algoritmo kNN apresentou melhor performance na diferenciação das classes e identificação da vegetação (Kappa = 0,9887). Já no período seco, os algoritmos kNN, SVM e ANN não apresentaram diferenças estatísticas significativas quanto a sua performance, sendo estes considerados bons classificadores para o período (Kappa = 0,9965;0,9973;0,9962, respectivamente). Portanto, o presente estudo trouxe inovação no uso de técnicas de Inteligência Artificial para a solução de problemas no monitoramento, manejo e administração de florestas tropicais sazonalmente secas com dados remotos. Sendo um método alternativo para identificar, de forma rápida e econômica, as mudanças na estrutura florestal.Item Inteligência artificial na classificação de uso e cobertura da terra no semiárido de Pernambuco(2020-11-03) Almeida, Gabriela Costa de; Silva, Emanuel Araújo; Moreira, Giselle Lemos; http://lattes.cnpq.br/6171199372079024; http://lattes.cnpq.br/2765651276275384A Floresta Tropical Seca brasileira, conhecida como Caatinga, está presente na região nordeste do Brasil e possui características climáticas severas, com clima seco e chuvas mal distribuídas. Essas características climáticas dificultam a análise por sensoriamento remoto devido às grandes diferenças de vegetação entre os períodos seco e chuvoso. Para auxiliar a análise de sensoriamento remoto neste bioma, este trabalho tem como objetivo testar diferentes algoritmos de Inteligência Artificial por meio de classificação supervisionada e identificar padrões de uso e cobertura da terra na cidade de Petrolina, em Pernambuco. Três algoritmos foram testados: Random Forest, Artificial Neural Networks e K-Nearest Neighbors usando o software QGIS e RStudio baseado em imagens LANDSAT 8 do período seco. Foram selecionadas 20 amostras das classes: Água, Agricultura, Área Urbana, Floresta e Solo Exposto, e essas amostras serviram de base para o treinamento dos algoritmos de classificação das imagens. Dados de ocupação e avaliação de qualidade de precisão foram obtidos usando acurácia do mapeamento e índice de Kappa, respectivamente: 0,9878706 e 0,9653555 para Random Forest; 0,9199973 e 0,9454833 para Artificial Neural Networks, 0,9873741 e 0,9598640 para o K-Nearest Neighbors, todos considerados excelentes. Esses valores foram superiores aos encontrados nos algoritmos mais comumente utilizados, como no algoritmo de Máxima Verossimilhança. Observou-se que o uso de algoritmos de inteligência artificial pode gerar melhores resultados na classificação do uso da terra em regiões semiáridas.Item Dinâmica espacial do cenário florestal em paisagens do bioma Caatinga no município de Araripina - PE(2022-05-27) Andrade, Adrielle; Silva, Emanuel Araújo; Melo, Lorena de Moura; http://lattes.cnpq.br/1486808425687522; http://lattes.cnpq.br/2765651276275384; http://lattes.cnpq.br/8750022516521279A região semiárida do Brasil é chamada de Caatinga, pois apresenta vegetação xerófila que é influenciada pelo clima e relevo da região. Situado nesta região semiárida está o município de Araripina, que possui grande concentração de empresas de produção de gesso, sendo um dos municípios que compõe a Chapada do Araripe onde é denotada a maior região do mundo de produção de gesso a partir da calcinação na gipsita. Neste local há grande exploração florestal incentivado pelo uso da madeira como matriz energética, que se não for manejado de forma correta pode acarretar em grandes problemas ambientais. A fim de compreender os grandes efeitos causados pela exploração existem estudos utilizando o sensoriamento remoto para mapear e classificar vastas regiões de forma mais rápida e eficiente. Neste contexto, o presente estudo teve como objetivo avaliar a eficiência do Google Earth Engine (GEE) como plataforma de utilização para classificar uso e cobertura da terra. Foram utilizadas imagens do satélite LANDSAT 8 por meio do sensor OLI para análise temporal dos índices de vegetação NDVI, na produção de mapas de uso do solo em função da vegetação para os anos de 2013 e 2020 determinadas por diferentes classes de solo, que foram: Agropecuária, Floresta, Solo exposto e Água. Com base nas análises feitas comparando as modificações entre os anos estudados, foi constatado aumento nas áreas destinadas à Agropecuária e de Floresta, e diminuição em locais de solo exposto e água. Os dados de confiabilidade coletados foram positivos, e isso mostra grande potencial da plataforma do GEE para análises temporais e identificação de áreas susceptíveis à desertificação trazendo maior possibilidade de intervenção para redução de danos.