Ein Bodenproduktivitätssystem zeigt, dass die meisten brasilianischen Agrarflächen unter ihrem maximalen Potenzial liegen

Wissenschaftliche Berichte Band 13, Artikelnummer: 14103 (2023) Diesen Artikel zitieren

Details zu den Metriken

Die Nahrungsmittelproduktion ist stark vom Boden abhängig. Brasilien spielt eine wichtige Rolle in der globalen Lebensmittelproduktionskette. Obwohl nur 30 % der gesamten brasilianischen Agrarfläche für Ackerbau und Viehzucht genutzt werden, muss das gesamte Bodenproduktionspotenzial bewertet werden, da es aus ökologischen und rechtlichen Gründen nicht möglich ist, die Landwirtschaft auf neue Gebiete auszudehnen. Es wird ein neuartiger Ansatz zur Bewertung des Produktionspotenzials von Böden vorgestellt, der „SoilPP“ genannt wird und auf Bodenanalysen (0–100 cm) – die ihre pedologischen Informationen ausdrücken – und maschinellem Lernen basiert. Die historischen Erträge von Zuckerrohr und Sojabohnen wurden analysiert, um herauszufinden, wo es noch möglich ist, die Ernteerträge zu verbessern. Die Sojabohnenerträge lagen in 46 % der brasilianischen Landkreise unter dem geschätzten SoilPP und könnten durch geeignete Bewirtschaftungspraktiken verbessert werden. Beim Zuckerrohranbau können 38 % der Flächen verbessert werden. Diese Technik ermöglichte es uns, die Nahrungsmittelertragssituation in großen Gebieten zu verstehen und abzubilden, was Landwirte, Berater, Industrie, politische Entscheidungsträger und die Planung der weltweiten Ernährungssicherheit unterstützen kann.

Der kontinuierliche Bedarf an Nahrungsmitteln und Kraftstoffen erhöht den Druck auf landwirtschaftliche Flächen auf der ganzen Welt1. Strategien zur Bewältigung dieser Anforderungen haben zu Verbesserungen in der Lebensmittelproduktion geführt, indem die natürlichen Ressourcen optimiert wurden, die der Landwirtschaft noch zur Verfügung stehen2,3. Brasilien ist einer der wichtigsten Produzenten und Exporteure von Agrarprodukten weltweit4, wobei 30 % seines Territoriums (263 Millionen Hektar) für landwirtschaftliche Aktivitäten genutzt werden5. Die Agrarindustrie trug im Jahr 2020 etwa 27 % zum brasilianischen BIP bei, wobei Sojabohnen und Zuckerrohr die wichtigsten produzierten Rohstoffe waren4. Laut FAOSTAT4 war Brasilien im Jahr 2021 der weltweit größte Produzent von Sojabohnen (134,9 Millionen Tonnen) und Zuckerrohr (715,7 Millionen Tonnen). Daher ist Brasiliens Bedeutung und Wettbewerbsfähigkeit in der Agrarproduktion auf der Welt bemerkenswert. Obwohl noch Raum für eine Ausweitung der Landwirtschaft besteht, meinen einige Autoren, dass dies nicht als praktikable Option zur Deckung des künftigen Nahrungsmittelbedarfs angesehen wird6. Es sollten neue nachhaltige Strategien entwickelt werden, um die Erträge dort zu verbessern, wo bereits Pflanzen angebaut werden, was eine Optimierung der Nutzung natürlicher Ressourcen7,8 ermöglicht, insbesondere des Bodens, der einem ständigen anthropogenen Druck ausgesetzt ist9.

Böden verfügen über eine inhärente Fähigkeit, den Bedarf der Kulturpflanzen hinsichtlich der Verfügbarkeit von Nährstoffen und Wasser zu decken, was den Photosyntheseprozess der Pflanze und damit die Produktion von Biomasse beeinflusst, die als ihr Produktionspotenzial (SoilPP) definiert werden kann. Es gibt einige Beispiele für die Messung des Produktionspotenzials landwirtschaftlicher Flächen. Vogel et al.10 bewerteten das Potenzial deutscher Böden auf Betriebsebene für die Weizenproduktion anhand von Wasserverfügbarkeit und Bodenbeschaffenheit als Indikatoren. Huang et al.11 untersuchten die Auswirkung der Textur und der Konzentration des organischen Kohlenstoffs (SOC) im Boden (Indikatoren) auf die Ertragsreaktionen von sieben Hauptkulturen, die in den Vereinigten Staaten von Amerika von 1958 bis 2019 angebaut wurden. Sie fanden heraus, dass die Ernteerträge in Böden mit höheren Erträgen höher waren feinere Textur und höhere SOC-Konzentration aufgrund des erhöhten verfügbaren Wassers, der Bodenstruktur und der Nährstoffretention11. In Brasilien gibt es eine Methode namens Production Environment System „PES“12,13,14,15,16, die auf der Bodentextur10,11, der Bodenfruchtbarkeit17, der Wasserretention11,18, der Bodentiefe18 und der Bodenklassifizierung19 basiert. Die Kombination all dieser Faktoren ergibt ein empirisches Klassifizierungssystem von A (hohes Potenzial) bis G (geringes Potenzial), das in den letzten 30 Jahren verwendet wurde, um das Potenzial des Bodens für die Produktion von Zuckerrohr zu verstehen12,16. Zusammenfassend lässt sich sagen, dass die bodenbodenkundlichen Karten die Dynamik der Bodenlösung widerspiegeln, die durch die Horizonte A (Oberfläche) und B (Untergrund) gesteuert wird, und damit die Auswirkung auf die Bodenproduktivität.

Die Informationen über das Potenzial des Bodens zur Produktion von Biomasse können uns helfen zu verstehen, wo landwirtschaftliche Erträge noch verbessert werden können. Diese Informationen sind auch für die Politikgestaltung hilfreich. Ein Beispiel ist das „Iowa Corn Adaptability Rating for Your Farm“20, bei dem der Maisertrag in Säcken pro Hektar auf der Grundlage von Bodeninformationen, Geländeeigenschaften und Bodenklassifizierung geschätzt wird. Diese Strategie kann bei der Bewirtschaftung landwirtschaftlicher Ressourcen, der Anwendung variabler Mengen, die den Inputverbrauch und die Umweltauswirkungen reduziert, bei der Anbauplanung und der Bodensicherheit21,22,23 helfen und dabei helfen, den Nahrungsmittelertrag zwischen den Ländern auszugleichen. Mellor24 wies darauf hin, dass es zum Verständnis der politischen Bedürfnisse und Potenziale notwendig sei, die zugrunde liegende Natur der aktuellen globalen Nahrungsmittelungleichgewichte zu verstehen. Daher könnte die Kenntnis des Potenzials von Böden mehrere Möglichkeiten ans Licht bringen, beispielsweise das Verständnis und die Optimierung landwirtschaftlicher Systeme. Es besteht jedoch Bedarf an Techniken, die sich auf die systematische Messung der Kontinentalausdehnung in einem feinen Maßstab mit der Analyse unterirdischer Böden konzentrieren, wie von Bishopp und Lynch18 angedeutet. Obwohl SoilPP durch die Bewertung seiner chemischen, physikalischen und biologischen Eigenschaften abgeschätzt werden kann25, mangelt es an Kenntnissen über das Potenzial des Bodens zur Produktion von Biomasse und darüber, ob es als Indikator verwendet werden kann, um festzustellen, ob der Ernteertrag gesteigert werden kann.

Dies ist eine anspruchsvolle Aufgabe in großen territorialen Ausdehnungen mit bemerkenswerten Unterschieden in Biomen, Klima und Boden, typischen Merkmalen des brasilianischen Territoriums19,25,26. Eine Alternative, um diese Lücke zu schließen, ist das Digital Soil Mapping (DSM)-Framework, das als nützliches Werkzeug für die Arbeit mit räumlichen Vorhersagen gilt und es ermöglicht, Bodeneigenschaften auf globaler Ebene vorherzusagen27. DSM ist definiert als „Erstellung und Population räumlicher Bodeninformationssysteme durch numerische Modelle, die aus Bodenbeobachtung und -wissen sowie aus zugehörigen Umweltvariablen die räumlichen und zeitlichen Variationen von Bodentypen und Bodeneigenschaften ableiten“28. DSM-Ansätze werden speziell verwendet, um räumliche Karten physikalischer, chemischer und biologischer Bodeneigenschaften oder Bodenklassen zu erhalten, die in Verbindung mit Bewertungsmethoden21,29,30 zur räumlichen Bewertung und Quantifizierung des intrinsischen Potenzials des Bodens10 verwendet werden können.

In dieser Studie wurde eine Strategie zur Kartierung des Produktionspotenzials brasilianischer Agrarböden mit einer feinen Auflösung (30 m) entwickelt, was etwa 260 Mio. ha entspricht. Informationen zu Bodeneigenschaften und multivariate Statistiken wurden verwendet, um ein Bewertungssystem namens SoilPP zu erstellen, das von 0 bis 100 variierte (die die pedologischen Informationen des Standorts ausdrücken), wobei höhere Werte ein hohes Potenzial der Böden zur Produktion von Biomasse darstellen. Das SoilPP wurde anhand der historischen Zuckerrohr- und Sojabohnenerträge auf Kreisebene unter Berücksichtigung der wirtschaftlichen Bedeutung dieser beiden Nutzpflanzen bewertet.

Das Produktionspotenzial brasilianischer Agrarflächen (SoilPP-Karte) bis zu einer Tiefe von 1 m, unterteilt in sieben Klassen (A bis G), ist in Abb. 1 dargestellt und beträgt etwa 203 Millionen Hektar (M ha). Die landwirtschaftlichen Flächen (Pixel) mit den höchsten SoilPP-Werten (A-, B- und C-Klassen) sind im Hinblick auf das Produktionspotenzial am besten. Die Klassen E, F und G sind diejenigen, die die niedrigsten Werte des SoilPP-Scores aufweisen. Böden der Klasse „A“ (SoilPP: sehr hoch) (Abb. 1) zeichnen sich durch eine größere Tiefe, gute Drainage, feine Textur und ausreichend Nährstoffe für Pflanzen aus. Das Relief kann variabel sein, jedoch ohne das Vorhandensein von Felsvorsprüngen. Umgekehrt sind die Hauptmerkmale von Böden der Klasse „G“ (SoilPP: sehr niedrig) die geringe Fähigkeit, Pflanzen mit Nährstoffen zu versorgen, eine grobe Textur (sandig), eine geringe Wasserspeicherung und damit eine geringe Verfügbarkeit für die Pflanze sowie eine unterschiedliche Tiefe und in einigen Fällen ein hohes Vorkommen von Steinen. Die Kategorien B und C haben eine größere Ähnlichkeit mit der Klasse „A“, während die Kategorien „E und F“ eher der Klasse „G“ ähneln.

Die Karte des Bodenproduktivitätspotenzials (SoilPP) für brasilianische Agrarflächen ist in sieben Gruppen von A bis G eingeteilt, die sehr hohe und sehr niedrige Produktionspotenziale darstellen. SoilPPscore: Bewertung des Bodenproduktivitätspotenzials (Pixelwert). Die Abbildung wurde vom Software-QGIS-Entwicklungsteam (2021) erstellt. Version 3.22. http://qgis.osgeo.org und Inkscape-Projekt (2021). Version 1.1. https://inkscape.org.

Die brasilianischen Agrarböden wiesen einen sehr hohen SoilPP (Klasse A) auf, dargestellt durch die grüne Farbe (Abb. 1), was etwa 11,1 Mio. ha (5 % der gesamten landwirtschaftlichen Fläche) entspricht. Das hohe SoilPP (Klasse B) hatte eine Fläche von 15 Mio. ha (7 % der Gesamtfläche), während das mittelhohe SoilPP (Klasse C) 45 Mio. ha (22 % der Gesamtfläche) ausmachte. Dies sind die landwirtschaftlichen Flächen mit dem größten Produktionspotenzial, die etwa 34 % der gesamten landwirtschaftlichen Fläche ausmachen. Die mittleren SoilPP-Flächen umfassten etwa 50 Mio. ha (24,5 % der Gesamtfläche). Gebiete mit mittlerem/niedrigem, niedrigem und sehr niedrigem SoilPP belegten 44,1, 20,8 und 18,5 Mio. ha, was 21,5, 10 bzw. 9 % der gesamten landwirtschaftlichen Fläche entspricht. In dieser Darstellung wurden die Nutzungen landwirtschaftlicher Nutzpflanzen und Weideflächen berücksichtigt (Abb. 1).

Im Amazonas-Biom werden 35,5 Mio. ha (17,5 %) landwirtschaftlich genutzt (Abb. 2a). Die meisten landwirtschaftlich genutzten Böden im Amazonas-Biom hatten SoilPP-Werte von sehr hoch bis mittel. Die sehr hohen, hohen, mittleren/hohen und mittleren SoilPP-Werte entsprechen Flächen von 3,2, 4,4, 15,5 bzw. 8,8 Mio. ha. Etwa 10 % der landwirtschaftlichen Flächen im Amazonasgebiet hatten einen niedrigen SoilPP (mittel/niedrig, niedrig und sehr niedrig). Etwa 5,5 Mio. ha (15,5 %) der landwirtschaftlichen Flächen des Amazonas-Bioms werden vom Sojabohnenanbau eingenommen (Tabelle S1). Das Cerrado-Biom ist mit einer Fläche von rund 81,9 Mio. ha die größte territoriale Nutzung für landwirtschaftliche Aktivitäten in Brasilien (Abb. 2b). Die meisten landwirtschaftlich genutzten Böden im Cerrado wiesen einen mittleren/hohen bis mittleren/niedrigen SoilPP mit einer Fläche von 52,8 Mio. ha (65 % des Bioms) auf. Niedrige und sehr niedrige SoilPPs im Cerrado-Biom stellen eine Fläche von 24,7 Mio. ha dar, während hohe und sehr hohe SoilPPs auf 4,4 Mio. ha verteilt sind. Der Cerrado ist mit etwa 18,5 Mio. ha (22,5 %) das Biom mit der größten landwirtschaftlichen Nutzfläche für Sojabohnen und mit 2,8 Mio. ha (3,5 %) das zweitgrößte für Zuckerrohr (Tabelle S1).

Verteilung der SoilPP-Klassen für jedes Biom in Millionen Hektar (M ha). (a) Amazonas (b) Cerrado (c) Caatinga (d) Pantanal (e) Atlantischer Wald und (f) Pampa-Biome. Buchstabe A steht für Böden mit sehr hohem Potenzial, während Buchstabe G für Böden mit sehr niedrigem Potenzial steht. Buchstaben zwischen diesen beiden Extremen (B, C, D, E und F) stehen für hohes, mittleres/hohes, mittleres, mittleres/niedriges bzw. niedriges Potenzial. Die Abbildung wurde vom Software-QGIS-Entwicklungsteam (2021) erstellt. Version 3.22. http://qgis.osgeo.org und Inkscape-Projekt. (2021). Version 1.1. https://inkscape.org.

Im Caatinga-Biom waren schätzungsweise 29 Mio. ha landwirtschaftlich genutzt (Abb. 2c). Die meisten landwirtschaftlichen Böden im Caatinga-Biom weisen einen mittleren bis sehr niedrigen SoilPP auf (96 % der landwirtschaftlichen Böden im Caatinga-Biom). Das Pantanal-Biom verfügte mit 2 Mio. ha über die meisten landwirtschaftlich genutzten Böden, die von mittlerer/hoher bis mittlerer/niedriger Klasse reichten (Abb. 2d). Der Atlantische Wald (Abb. 2e) ist im Hinblick auf die Landnutzung für landwirtschaftliche Aktivitäten das zweitgrößte brasilianische Biom und nimmt eine Fläche von etwa 46,3 Mio. ha ein. Die meisten landwirtschaftlich genutzten Böden im Atlantischen Wald hatten einen SoilPP von sehr hoch bis mittel (70 % des Territoriums des Atlantischen Waldes). Böden mit niedrigem und sehr niedrigem SoilPP sind auf 4,7 Mio. ha (10 %) verteilt. Der Atlantische Wald ist mit etwa 10,2 Mio. ha (22 %) nach dem Cerrado das zweitgrößte Biom mit der größten territorialen Besiedlung durch Sojabohnen. Allerdings stellt es mit etwa 5,8 Mio. ha (12,5 %) die größte Zuckerrohranbaufläche dar (Tabelle S1). Schließlich weist das Pampa-Biom (Abb. 2f) die meisten Böden mit mittlerem SoilPP (3,3 Mio. ha) auf; Ein erheblicher Teil der Fläche verfügt jedoch über Böden mit sehr hohem bis mittlerem/hohem Potenzial (38 % der gesamten landwirtschaftlichen Fläche in der Pampa). Etwa 3,9 Mio. ha (48 %) der Pampa werden vom Sojaanbau eingenommen.

Es wurde eine Analyse des durchschnittlichen kommunalen Ertragsniveaus für Soja und Zuckerrohr durchgeführt. Dabei wurden die durchschnittlichen Erträge von fünf Kulturen (2016/17–2020/21) verwendet, die auf der SIDRA-Plattform gesammelt wurden, wo Statistiken nach Ländern für landwirtschaftliche Produkte zu finden sind (https: //sidra.ibge.gov.br/home/lspa/brasil)4. Die historischen Ertragsdaten wurden für beide Kulturen in sieben Gruppen eingeteilt, um sie mit den SoilPP-Klassen vergleichen zu können. Danach haben wir das Produktionspotenzial des Bodens vom durchschnittlichen kommunalen Ertragsniveau für die jeweiligen Kulturpflanzen abgezogen, was zu drei unterschiedlichen Ergebnissen führte: (i) positive Werte, was bedeutet, dass der tatsächliche Ertrag des Landkreises über dem Potenzial des Bodens liegt , dh im Durchschnitt werden die Ernten im betreffenden Landkreis gut bewirtschaftet; (ii) Ergebnis gleich 0 bedeutet, dass das durchschnittliche kommunale Ertragsniveau dem Produktionspotenzial des Bodens entspricht, d. h. realer und potenzieller Zustand sind gleich; (iii) negative Werte bedeuten, dass der durchschnittliche kommunale Ertrag (tatsächlich) unter dem Potenzial des Bodens liegt, d. h. der durchschnittliche Ertrag der Kultur im Landkreis gesteigert werden kann, der möglicherweise vor einem Problem in der Produktionskette steht die Kultur.

Insgesamt wurden 2304 brasilianische Landkreise mit einem durchschnittlichen Sojabohnenertrag von über 1500 kg ha−1 analysiert (Abb. 3a). Nachdem wir das historische Ertragsniveau vom SoilPP abgezogen hatten, stellten wir fest, dass für Sojabohnen 896 Landkreise positive Werte aufwiesen (Abb. 3c). Nur wenige Landkreise (356) hatten ein Ertragsniveau, das SoilPP entsprach, was einem Ertragsniveau entspricht, bei dem sich der Sojaanbau auf einem mittleren Niveau befindet, aber ihre Erträge können in diesen Landkreisen gesteigert werden. In 1052 Landkreisen wurden niedrige Ertragsniveaus beobachtet, die in Abb. 3c durch negative Werte dargestellt werden. Für Zuckerrohr wurden 2119 Landkreise mit einem durchschnittlichen Ertrag von über 35 Tonnen ha-1 (Abb. 3d) analysiert. 1014 Zuckerrohr produzierende Landkreise wiesen positive Ertragsniveauwerte auf, das heißt, der Ertrag der Zuckerrohrplantagen in diesen Landkreisen liegt über SoilPP (Abb. 3f). Andererseits hatten 296 Landkreise ein Ertragsniveau, das SoilPP entsprach, d. Schließlich verzeichneten 809 Landkreise einen Zuckerrohrertrag, der unter seinem Potenzial lag, was bedeutet, dass er durch das Management verbessert werden kann.

Ertragsklasse, SoilPP-Score und Ertragsniveau für Sojabohnen (a–c) und Zuckerrohr (d–f) auf kommunaler Ebene. Die Abbildung wurde vom Software-QGIS-Entwicklungsteam (2021) erstellt. Version 3.22. http://qgis.osgeo.org und Inkscape-Projekt. (2021). Version 1.1. https://inkscape.org.

Um unser Produkt zu validieren, wurde eine vergleichende Analyse zwischen der SoilPP-Karte und dem Production Environment System (PES) auf Betriebsebene durchgeführt. Das PES wurde nach einigen empirischen Studien entwickelt, die von Copersucar16 initiiert und von Landell et al.12 ratifiziert wurden, die einen starken Zusammenhang zwischen Bodentypen und Zuckerrohrertrag beobachteten. Die Autoren betonen, dass eine Bodenklasse die Merkmale des Horizonts B mit sich bringt, was die Position ist, die die potenzielle Produktivität des Bodens am stärksten beeinflusst. Die Grundlage (Säulen) dieses Systems sind der Bodentyp (Klassifizierung), die Textur, die Fruchtbarkeit, die Tiefe, die Wasserretention (von der Oberfläche bis zum Untergrund, 1 m) und das Klima. Der PES wird in sieben verschiedene Klassen eingeteilt (Abb. 4), die das Potenzial des Bodens zur Produktion von Zuckerrohr (in Tonnen ha−1) darstellen und durch eine bestimmte Farbe dargestellt werden.

(a) Grenze des Untersuchungsgebiets (Rafard Farm); (b) Empirische Produktionsumgebung für Zuckerrohr; (c) SoilPP-Karte. (d) Zuckerrohrertrag in Umgebung A. (e) Zuckerrohrertrag in Umgebung F. Zuckerrohrertragskategorien: A: mehr als 100 Tonnen ha−1; B: 90–100 Tonnen ha−1; C:86–90 Tonnen ha−1; D: 81–85 Tonnen ha−1; E: 76–80 Tonnen ha−1; F: 71–75 Tonnen ha−1; G: weniger als 70 Tonnen ha−1. Die Abbildung wurde vom Software-QGIS-Entwicklungsteam (2021) erstellt. Version 3.22. http://qgis.osgeo.org und Inkscape-Projekt. (2021). Version 1.1. https://inkscape.org.

Das Gebiet hat eine Fläche von 182 ha (in der Stadt Rafard, Bundesstaat São Paulo) (Abb. 4a). Abbildung 4b zeigt die PES für die Zuckerrohrfarm. Abbildung 4d veranschaulicht die Bodenbedingungen für Umgebung „A“, die eine höhere Produktion von Pflanzenbiomasse aufweist, wenn der Boden eine tonige Textur und eine Basensättigung (V %) über 50 % aufweist. Abbildung 4e zeigt die Boden- und Pflanzenbedingungen einer „F“-Umgebung, in der dieser Boden eine sehr sandige Textur, eine Basensättigung unter 50 % und das Vorhandensein von Al3+ aufweist. Die SoilPP-Karte ist in Abb. 4c dargestellt und ermöglicht einen Vergleich ihrer Ähnlichkeiten und Unterschiede mit der PES (Abb. 4b) für die Zuckerrohrpflanze. Die Übereinstimmung zwischen Gebieten mit dem höchsten SoilPP (A) und PES-Kartierungseinheiten mit den höchsten Zuckerrohrerträgen (A) (Abb. 4b und c) ist bemerkenswert, dh die produktivsten in diesem Bereich klassifizierten Umgebungen weisen Ähnlichkeiten auf, wenn sie mit den besten in Beziehung gesetzt werden SoilPP-Klassen.

Eine Mehrfachkorrespondenzanalyse (MCA) wurde mit PES gegen SoilPP durchgeführt, um die Assoziation kategorialer Gruppen zwischen beiden Systemen zu überprüfen. Die räumliche Assoziation zwischen SoilPP- und PES-Klassen12,13,14,15,16 wird durch Korrespondenzanalyse bestätigt (Abb. 5). Die Bodenproben, die über den Index des Bodenproduktivitätspotenzials die höchsten Werte (Klasse A) erzielten, weisen über den im Feld ermittelten „PES“ einen signifikanten Zusammenhang mit der Klasse A auf. Daher weisen die Böden mit dem höchsten Produktionspotenzial eine hohe Ähnlichkeit mit den besten Kategorien von Produktionsumgebungen auf. Bodenproben mit den niedrigsten SoilPP-Werten (Klassen F und G) wiesen eine größere Übereinstimmung mit den schlechtesten PES-Klassen (Klassen F und G) auf, die im Feld bewertet wurden. Kategorie „D“ drückte eine geringe Übereinstimmung zwischen den beiden Methoden aus (Abb. 5). Die Kategorien B und C zeigten eine gute Übereinstimmung zwischen den verschiedenen Methoden. Daher ist es bemerkenswert, dass das numerische System, das SoilPP durch die Bewertung von Bodeneigenschaften bewertet, einer empirischen PES-Methode entspricht, die im Feld ermittelt wird.

Korrespondenzanalyse zwischen Production Environment System (PES) und SoilPP. Die Figur wurde von der Software R Core Team (2021) erstellt. Version 4.1.2. https://cran.r-project.org/bin/windows/base/old/4.1.2/

Brasilianische Agrarböden mit dem höchsten SoilPP (Klasse A, B und C) befinden sich in Gebieten mit Ausgangsmaterial aus Vulkangestein wie Basalt (Abb. S1 und S2)31. Basalt ist für die Entwicklung produktiver Böden bekannt17 und bildet Böden mit guter natürlicher Fruchtbarkeit aufgrund der Verfügbarkeit von Nährstoffen (z. B. P, K, Ca, Mg und Fe) und einer kleineren Korngröße, was die Speicherung und Verfügbarkeit von Wasser für die Pflanzen begünstigt10 . Folglich befinden sich brasilianische Böden mit sehr hohem und hohem SoilPP in Gebieten mit hoher Bodenfruchtbarkeit, was mit den Ergebnissen von Embrapa32 übereinstimmt, die die Fruchtbarkeit brasilianischer Böden darstellten. Der Texturgradient ist das Verhältnis des Tonanteils am Untergrundhorizont im Vergleich zum Oberflächenhorizont19. Dieses Merkmal ist normalerweise in Argissolos/Lixisols vorhanden, dem am zweithäufigsten vorkommenden Boden in den Agrargebieten Brasiliens (Abb. S1b). Diese Böden verfügen aufgrund ihrer unterschiedlichen Textur über eine größere Wasserverfügbarkeit, wodurch sich die Verweilzeit des Wassers im Bodenprofil verlängert19. Wenn sich die Wurzeln unter der Oberfläche befinden, haben sie eine bessere Chance, Wasser und Nährstoffe aufzunehmen und so die Produktivität zu steigern.

Darüber hinaus weisen Gebiete mit landwirtschaftlich genutzten Böden mit sehr hohem und hohem SoilPP die höchsten SOC-Konzentrationen auf (Abb. S2). In Übereinstimmung mit Huang et al.11 hat SOC das Potenzial, die Bodenstruktur (z. B. Aggregatstabilität) und die Speicherung von Wasser und Nährstoffen (z. B. Stickstoff) im Boden zu verbessern11. Andere Studien deuten darauf hin, dass eine Erhöhung des SOC-Bestands die Bodenqualität verbessern (Verbesserung der Leistung bestimmter Bodenfunktionen wie Wasserretention, Aggregation und Kationenaustauschkapazität) und die Ernteerträge verbessern kann33,34,35. Dies steht im Einklang mit unseren Erkenntnissen. Die Gebiete mit der höchsten SOC-Konzentration in brasilianischen Agrargebieten36 entsprechen den höchsten SoilPP-Werten, da SOC einen direkten Einfluss auf die Biomasseproduktion von Kulturpflanzen hat11.

Es kann Landwirte dazu ermutigen, das Management zu verbessern, um den Gehalt an organischer Substanz (SOM) im Boden zu erhöhen, indem Produktionssysteme intensiviert werden, beispielsweise durch Fruchtwechsel und Diversifizierung (z. B. Gräser und Hülsenfrüchte), was effiziente Strategien zur Erhöhung des C-Gehalts im Boden sind37,38,39 . Mit anderen Worten: Der landwirtschaftliche Beitrag kann durch globale Initiativen wie „Soil Carbon 4 per Mille“ erfolgen, die eine Erhöhung der SOC-Sequestrierung vorschlugen, um die schädlichen Auswirkungen globaler anthropogener Treibhausgasemissionen zu mildern40. Um die globale Ernährungssicherheit für eine schnell wachsende Bevölkerung in einem sich verändernden Klima zu erhöhen, sollten bewährte Managementpraktiken übernommen werden, um die Bodenstruktur und die SOC-Bestände zu verbessern und so die Wasserspeicherung, die Nährstoffretention und die Energieeinsparung zu verbessern11.

Die höchste Konzentration landwirtschaftlicher Flächen mit SoilPP (mittel/hoch bis mittel/niedrig) befindet sich hauptsächlich in den Biomen Cerrado (52,8 Mio. ha) und Atlantischer Wald (29,8 Mio. ha) (Abb. 1). Gebiete mit SoilPP (niedrig bis sehr niedrig) befinden sich hauptsächlich in den Biomen Caatinga (9,7 Mio. ha) und Cerrado (24,7 Mio. ha). Laut MapBiomas5 verfügt das Cerrado-Biom über eine Weidefläche von 47 Mio. ha, wovon 57,9 % (27 Mio. ha) stark oder mäßig degradiert sind. Das Caatinga-Biom umfasst etwa 18 Mio. ha Weiden5. Allerdings sind 70,3 % (12,6 Mio. ha) dieser Kultur stark oder mittelschwer degradiert. Daher können diese Gebiete mit degradiertem Weideland aufgrund chemischer und physikalischer Bodenbeschränkungen mit Gebieten mit niedrigem bis sehr niedrigem SoilPP in Zusammenhang stehen.

Gebiete mit niedrigem bis sehr niedrigem SoilPP im Cerrado weisen eine niedrige Basensättigung, einen niedrigen pH-Wert und eine hohe Aluminiumkonzentration auf32, was zusammen mit der großen Menge an Fe- und Al-Oxiden (stark verwitterte Böden)19,41,42 zu Problemen bei der Phosphorbeschränkung führt. Die Versauerung landwirtschaftlicher Böden ist ein weltweites Problem und ihre Umkehrung verbessert die Nährstoffaufnahme, das Wurzelwachstum und die Ernteerträge17,43. Daher kann das Potenzial dieser Gebiete durch Management erhöht werden, beispielsweise durch Neutralisierung saurer Böden (Kalkung), Verringerung der Metalltoxizität (z. B. Aluminium- und Mangangehalt) und Erhöhung der P-Verfügbarkeit, insbesondere in stark verwitterten tropischen sauren Böden, in denen sich Metalloxide binden stark zu den verbleibenden P-Reserven17. Diese Faktoren beeinflussen direkt die Fähigkeit des Bodens, Biomasse zu produzieren. Es muss betont werden, dass diese Eigenschaften normalerweise in allen Profilen (0-100 cm) auftreten. Allerdings hat die brasilianische Bodenlandwirtschaft in den letzten 30 Jahren hart an der Chemikalienbewirtschaftung an der Bodenoberfläche gearbeitet. Dadurch wurde der größte Teil des landwirtschaftlich genutzten Bodens von Cerrado korrigiert (in oberflächlichen Schichten) und die Produktivität verbessert. Die Steigerung der Produktivität durch Bodenchemiemanagement ist eine Tatsache, aber hier geht es darum, dass sie nicht das Maximum ihres Potenzials erreicht hat. Dies trifft zu, wenn wir die Grundlagen von SoilPP und die 30-jährige Erfahrung mit PES bei Eukalyptus und Zuckerrohr betrachten, die auf der Bodenanalyse im Untergrund (80–100 cm) basieren. Bis zu dieser Tiefe haben die Wurzeln eine größere Chance, Wasser und Nährstoffe aus der Bodenentwässerung aufzunehmen, da sie von12 vorkonformiert werden.

Die aufgrund ihrer territorialen Ausdehnung besten landwirtschaftlichen Böden in Brasilien, die zu den SoilPP-Kategorien „sehr hoch“ und „hoch“ gehören, befinden sich im Atlantischen Regenwald (11,8 Mio. ha), im Amazonasgebiet (7,6 Mio. ha) und im Cerrado (4,4 Mio. ha). ) (Abb. 2a, b und e). Diese drei Biome machen zusammen etwa 81 % der bewerteten landwirtschaftlichen Fläche aus und sind mengenmäßig am ausdrucksstärksten in der Sojabohnen- und Zuckerrohrproduktion (Tabelle S1). 13,5 % des Amazonas-Bioms werden landwirtschaftlich genutzt. Allerdings sind die Böden im Amazonasgebiet chemisch und physikalisch äußerst fragil, da der Kreislauf organischer Stoffe einer der Hauptfaktoren für die Verfügbarkeit von Nährstoffen ist44,45. Eine weitere Einschränkung ist das Auftreten von Überschwemmungsgebieten aufgrund der hohen Niederschläge im Biom46. Darüber hinaus schreibt das Bundesgesetz Nr. 12.651/2012, das den Schutz der einheimischen Vegetation vorsieht, vor, dass auf allen ländlichen Grundstücken im Amazonasgebiet 80 % der Fläche mit einheimischer Vegetation bedeckt sein müssen44.

Durch die Analyse des Ertragsniveaus von 2304 brasilianischen Soja produzierenden Landkreisen wurden rund 1052 Landkreise identifiziert, die ihr Produktionsniveau steigern könnten (Abb. 3c). Für Zuckerrohr wurden 2119 produzierende Landkreise bewertet, wobei 809 Landkreise den Ernteertrag steigern konnten (Abb. 3f). Einige brasilianische Landkreise wie die Regionen Südosten, Mittlerer Westen und Nordosten verzeichneten selbst bei niedrigen SoilPP-Werten hohe Durchschnittserträge für beide Kulturen (Abb. 3a, b, d und e). Dies hängt möglicherweise mit der Höhe der technologischen Investitionen der Landkreise in den jeweiligen Regionen zusammen47. Beispielsweise weisen die Regionen, in denen Bewässerungspraktiken eingeführt werden, den höchsten durchschnittlichen Ertrag pro Landkreis auf, was anhand der Karte der bewässerten brasilianischen Agrargebiete (Nationale Wasser- und Sanitärbehörde48) überprüft werden kann. Ein weiterer Faktor sind die großen brasilianischen Reserven an Restphosphor (P), die sich über Jahrzehnte des Anbaus angesammelt haben und als „P-Erbe“ bezeichnet werden. Pavinato et al.49 zeigten dies, indem sie die räumlich-zeitliche Verteilung des P-Erbes in den letzten 50 Jahren in Brasilien kartierten. Einige Regionen mit der höchsten Anreicherung von P-Altlasten im brasilianischen Boden (mehr als 300 kg ha-1) zeigen die intensiven technologischen Investitionen in Landkreisen mit niedrigem SoilPP, um das Produktionsniveau für Sojabohnen und Zuckerrohr zu steigern49.

Die höchsten Werte des Bruttoinlandsprodukts „BIP“ pro Kopf im Jahr 201950 entsprechen Regionen mit bewässerten Gebieten, die zu einigen landwirtschaftlichen Gebieten mit starker Expansion in Brasilien gehören48. Hohe Erträge könnten in diesen Regionen mit hohen technologischen Investitionen wie Düngung49 und Bewässerung48 verbunden sein. Daher könnte die Entwicklung öffentlicher Maßnahmen zur Steigerung der Technologieinvestitionen in Landkreisen mit einem negativen Ertragsniveau (Abb. 3c und f) zu einer Erhöhung ihres Durchschnittsertrags ohne die Erschließung neuer landwirtschaftlicher Flächen führen und so zur Ernährungssicherheit beitragen11,22. In Übereinstimmung mit Strassburg et al.45 „verfügt Brasilien über genügend Land für landwirtschaftliche Produktion, um den künftigen Anstieg der Nachfrage nach landwirtschaftlichen Produkten zu decken und Land für die Natur zu sparen, d. h. höhere landwirtschaftliche Erträge mit der Erhaltung und Wiederherstellung natürlicher Umwelten zu verbinden.“ Somit ist die Bewältigung der Herausforderungen der Ernährungssicherheit und Nachhaltigkeit der kommenden Jahrzehnte möglich, erfordert jedoch erhebliche Änderungen im Nährstoff- und Wassermanagement47.

Zuckerrohr, das in großen Mengen auf stark verwitterten Böden angebaut wird, bringt der brasilianischen Wirtschaft jährlich etwa 43 Milliarden US-Dollar ein17. Produktionsumgebungen mit höheren Zuckerrohrerträgen (Abb. S3) verfügen über tiefere, feinstrukturierte Böden und eine höhere Bodenfruchtbarkeit19,51,52. Untergrundbodeninformationen wirken sich direkt auf die Pflanzenproduktion aus, da sie die Wurzeln nach Wasser und Nährstoffen durchsuchen, was rechtfertigt, warum das Produktionspotenzial des Bodens in Produktionsumgebungen mit den höchsten Erträgen größer ist18. Die schlechtesten Böden in dem von PES und der SoilPP-Karte klassifizierten Gebiet haben eine grobe Textur (sandig) und sind chemisch schlecht51. Die Versauerung des Bodens verringert die Nährstoffaufnahme, das Wurzelwachstum und die Ernteerträge17,43. Die Neutralisierung saurer Böden wäre eine effiziente Alternative, um das Produktionspotenzial des Bodens besser auszuschöpfen17. Es besteht ein direkter Zusammenhang zwischen SoilPP und der Verwendung von Bodenattributinformationen unter der Oberfläche (mindestens 1 m). Der Unterschied besteht darin, dass PES eine Bodenkartenklassifizierung verwendet und SoilPP die Bodenanalyse direkt verwenden kann. Dennoch hat SoilPP Kohlenstoff anders in das System integriert als PES. In beiden Fällen wurde nachgewiesen, dass die Untergrundanalyse einen wichtigen Rückschluss auf die Bodentypen liefert und sich direkt auf die potenzielle Produktivität auswirkt.

Ältere Bodenkarten haben die landwirtschaftliche Expansion Brasiliens stark unterstützt53. Bodenkarten in Brasilien stammen jedoch aus den 70er und 80er Jahren „RadamBrasil“ und weisen nur geringe kartografische Details auf (1:500.000 bis 1:5.000.000). Trotz der geringen Auflösung dieser Bodenkarten trugen sie dennoch erheblich zur landwirtschaftlichen Entwicklung in mehreren Gebieten Brasiliens bei und förderten eine effizientere und nachhaltigere Nutzung des Landes36. Derzeit besteht großes Interesse an der Ausarbeitung detaillierter Karten, um eine effizientere und nachhaltigere Landnutzung zu fördern36. Diese Techniken können dazu beitragen, die globale Ernährungssicherheit11,22 mithilfe nationaler politischer Formulierungen wie „Brasiliens Nationales Bodenprogramm“ – PronaSolos53 und Iowa Corn Suitability20 – zu erhöhen. Sie können auch zur Bewirtschaftung landwirtschaftlicher Ressourcen und zur Bodensicherheit beitragen21,22,23.

Die Haupteinschränkungen unseres Produkts (SoilPP-Karte) (Abb. 1) hängen mit der geringen Genauigkeit des Prognosemodells und mit landwirtschaftlichen Flächen ohne Informationen zum freiliegenden Bodenreflexionsvermögen zusammen, die es uns ermöglichten, 80 % (203 Mio. ha) der Fläche zu bewerten gesamte brasilianische Agrarfläche (263 Mio. ha)5. Techniken zur Bodenbewirtschaftung und Pflanzenernährung, wie die Ausbringung von Kalkstein und Düngemitteln, Direktsaat und biologische Stickstofffixierung, rechtfertigen die hohe Dynamik der chemischen Eigenschaften des Bodens17. Die geringe Genauigkeit des Vorhersagemodells hängt möglicherweise mit der Bewertung chemischer Attribute in SoilPP zusammen, die bei Vorhersagen chemischer Attribute durch maschinelles Lernen beobachtet wurde36,42,54,55. Trotz der Komplexität der Arbeit mit der Kartierung großer Gebiete ist es bemerkenswert, wie wichtig es ist, das Potenzial brasilianischer Agrarböden zu bewerten, Erkenntnisse über Bodenbeschränkungen an verschiedenen Orten zu gewinnen und auf eine nachhaltige Steigerung des landwirtschaftlichen Ertrags abzuzielen.

Die in dieser Arbeit vorgestellte Methode basiert auf Bodeneigenschaften (Indikatoren) im Zusammenhang mit der digitalen Bodenkartierung und repräsentiert das produktive Potenzial landwirtschaftlicher Böden in Brasilien. Die SoilPP-Karte wies die folgenden Einschränkungen auf: (1) die Stichprobenrepräsentativität für alle Arten landwirtschaftlicher Böden; (2) eine geringe Genauigkeit des Vorhersagemodells, was möglicherweise auf die große Variation der Chemie zurückzuführen ist, und (c) es war nicht möglich, für jede Kultur ein Skript zu erstellen. Trotzdem wurden etwa 203 Mha (80 % der gesamten landwirtschaftlichen Fläche) mit Bodeninformationen bis zu einer Tiefe von 1 m und einer räumlichen Auflösung von 30 m kartiert.

Die Anlage wurde anhand empirischer Modelle und realer Ertragsdaten mit guter Übereinstimmung analysiert. 46 % der brasilianischen Landkreise mit Sojaanbau könnten den Ertrag steigern. Beim Zuckerrohr wiesen 38 % der untersuchten Landkreise einen realen Durchschnittsertrag auf, der unter dem Bodenpotenzial lag. Daher könnte in einigen Landkreisen die Menge an produziertem Zuckerrohr und Sojabohnen dort erhöht werden, wo die Pflanzen bereits angebaut werden (Ertragslücke), wenn der durchschnittliche kommunale Ertrag erhöht würde (Tabellen S2 und S3). Die Ergebnisse untermauern die Bedeutung von Untergrundbodendaten für die Auswirkung auf die Produktion. Die Gemeinde sollte den Informationen über den Boden unter der Oberfläche mehr Bedeutung beimessen, da die Aufnahme von Nährstoffen und Wasser umso größer ist, je mehr Wurzeln vorhanden sind. Bisher hat die Landwirtschaft den Oberflächenbedingungen zu viel Aufmerksamkeit geschenkt, was das tatsächliche Potenzial der Bodenproduktivität beeinträchtigt. Zu diesem Zweck muss der Bodenuntersuchung (bodenpedologische Kartierung) Aufmerksamkeit geschenkt werden, die die Entwässerungsdynamik des Bodens und den Zustand des Untergrunds ans Licht bringt. Darüber hinaus gab das System an, dass 13,5 % des Amazonas-Bioms bereits landwirtschaftlich genutzt werden. Daher wurden nach der Ausarbeitung des Datensatzes wichtige Informationen in kleinem Maßstab generiert, mit einem relevanten Ansatz für mehrere Bereiche wie öffentliche Politik, Kenntnis des Zwecks bestimmter Grundstücke, Grundstückspreise, Optimierung der Bodenbewirtschaftung und für die Bewirtschaftung ausgewählte Gebiete der Nutzpflanzen und steigern den Ertrag. Dies wird sich auf die Verringerung der Landdegradation auswirken, die Entwaldung eindämmen und zur globalen Ernährungssicherheit beitragen.

Der Ablauf zur Gewinnung des SoilPP erfolgte in vier Hauptschritten. Die Organisation der nationalen Bodendatenbank (Schritt 1). Der Bewertungsprozess jeder Bodenprobe durch Hauptkomponentenanalyse (Schritt 2). Die Vorhersage-SoilPP-Karte für das gesamte Gebiet mithilfe des DSM-Frameworks (Schritt 3). Abschließend erfolgt die SoilPP-Bewertung unter Verwendung realer Zuckerrohr- und Sojabohnenerträge auf Kreisebene und Produktionsumgebungen auf Betriebsebene (Schritt 4). Die Auswahl der Zuckerrohr- und Sojabohnenpflanzen zur Validierung dieses Produkts erfolgt aus zwei Hauptgründen: (i) der Bedeutung dieser beiden Pflanzen für die brasilianische Wirtschaft4 und (ii) ihrer weiten Verbreitung im ganzen Land.

Das Untersuchungsgebiet umfasst alle landwirtschaftlichen Flächen Brasiliens. Die Sammlung 6.0 aus dem MapBiomas-Programm wurde verwendet, um die Gebiete auszuwählen, in denen die Landwirtschaft die Hauptlandnutzung darstellte, was zu einer Fläche von 263.045.118 Mio. ha5 führte. Die brasilianische Territorialerweiterung weist eine große Artenvielfalt mit sechs Biomen und unterschiedlichen klimatischen Bedingungen auf26,56. Die wichtigsten Bodentypen stammen aus sedimentären und magmatischen Gesteinen wie Ferralsolen und Acrisolen und bedecken etwa 60 % des brasilianischen Territoriums19. Das Amazonas-Biom macht 49 % von Brasilien aus, mit einem feuchten tropischen Klima (Af, Am und Aw). Der Cerrado (brasilianische Savannen) ist das zweitgrößte Biom, das 22 % des Territoriums einnimmt und ein überwiegend halbfeuchtes Klima (Aw) aufweist. Das Biom des Atlantischen Waldes, das sich bis in den Osten Brasiliens erstreckt, weist die größte Vielfalt an Umgebungen auf und es gibt verschiedene Klimatypen (Cfb, Cfa, Cwb, Aw und As). Das Caatinga-Biom ist das trockenste und herrscht in einem semiariden Klima (Bsh). Das Pantanal-Biom ist durch lange Überschwemmungsperioden gekennzeichnet, wobei das saisonale Klima als Aw klassifiziert ist. Das Pampa-Biom ist von gemäßigtem Grasland mit Cfa-Klima bedeckt.

Die georeferenzierten Bodenproben wurden aus Bodenuntersuchungen ausgewählt, die in landwirtschaftlichen Gebieten von der Gruppe „Geotechnologies in Soil Science“57 der Universität São Paulo durchgeführt wurden. An allen Probenahmepunkten in drei Tiefenschichten (Schicht A: 22.122; Schicht B: 21.160; Schicht C: 25.992) wurden die physikalischen und chemischen Bodeneigenschaften analysiert. Die physikalisch-chemische Laboranalyse folgte brasilianischen Standards32. Die folgenden Bodeneigenschaften wurden ermittelt: Gehalt an Ton, Schluff und Sand (g kg−1); organischer Kohlenstoff im Boden (SOC, g kg−1); organische Bodensubstanz (SOM, g kg−1); pH-Wert in Wasser (pHH2O); pH-Wert in KCl (pHKCl); Kationenaustauschkapazität (CEC pH7); Ca2+ (mmolc kg−1); Mg2+ (mmolc kg−1); K+ (mmolc kg−1); Al3+ (mmolc kg−1); H + Al (mmolc kg−1) Summe der Basen (mmolc kg−1); Basensättigung (V%); und Aluminiumsättigung (m%). Die Bodenschüttdichte (BD, g cm−3) wurde mithilfe einer Pedotransferfunktion für brasilianische Böden geschätzt, die mit Ton- und SOC-Gehalten kalibriert wurde und einen R2-Wert von 0,63 und einen Standardfehler von 0,11 g cm−358 aufwies. Der ∆pH-Wert, der Bodenverwitterungsindex (Ki) und die Tonaktivität wurden nach Prado et al.59 berechnet. Darüber hinaus wurde die Neigung (º) der Oberfläche aus dem ALOS Landform-Datensatz in der Google Earth Engine-Plattform mithilfe der TAGEE-Funktion36 berechnet. Relief ist ein Faktor bei der Bodenbildung, bei dem die größeren Neigungen des Geländes flachere Böden aufweisen und anfällig für Erosion sind60. Für jeden georeferenzierten Bodenprobenpunkt wurden Informationen zur Geländeneigung aus der Rasterdatei extrahiert.

Der Bodenpotenzialertragsindex (SoilPP) wurde unter Berücksichtigung der Bodenqualitätsliteratur und Indexierungsmethoden21,29 entwickelt. Zur Erstellung des SoilPP wurden Bodeneigenschaften mit Werten zwischen 0 und 100 bewertet. Die Bewertungsfunktionen sind in drei Typen unterteilt: „Mehr ist besser“-Index (MBI), was bedeutet, dass höhere Werte des Bodenattributs auf einen höheren SoilPP hinweisen; „Weniger ist besser“-Index (LBI), bei dem niedrigere Werte auf einen hohen SoilPP hinweisen; und „optimaler Mittelpunkt“ (IMO), wobei ein Zwischenwert auf einen besseren Bodenzustand hinweist29. Für Ton-, Schluff-, SOC-, SOM-, Ca2+-, Mg2+-, K+-, CECpH7-, SB-, V%-, Ki- und Tonaktivität wurde der MBI verwendet (Gleichung 1). Sand, BD, Al3+, H+ + Al3+, m %, ∆pH und Steigung wurden mit LBI (Gleichung 2) bewertet, und nur pHH2O wurde mit OMI (Gleichung 3) bewertet.

wobei MBI(1), LBI(2) und OMI(3) die Bewertungsfunktionen „mehr ist besser“, „weniger ist besser“ und „optimaler Mittelpunkt“ sind; „a“ ist der maximale Bewertungswert (100), „S“ ist die Steigung der Gleichung, definiert als − 2,5; „B“ ist der Basiswert mit einem Wert von 50 % (Median); „UL“ ist die obere (maximale) Grenze des Bodenattributwerts; „LL“ ist die untere (minimale) Grenze der Bodenattributwerte; „BL“ ist die untere Basislinie der Kurve „idealer Mittelpunkt“ mit einem Wert von 50 %; „BU“ ist die obere Basislinie der Kurve „idealer Mittelpunkt“ mit einem Wert von 50 %; „O“ ist der optimale Bewertungswert, gleich 100 %; und „x“ ist der tatsächliche Wert des Bodenattributs.

Jedes Bodenattribut wurde mit Basislinien (Median), Grenzwerten (obere und untere) und optimalen Werten durch statistische Reduzierungen (Perzentile) von Bodenproben parametrisiert (Tabelle 1). Anschließend wurden die Eigenschaften jeder Bodenprobe bewertet und bewertet. Dieser Ansatz wurde verwendet, um die Funktionsparameter auf Bodenattribute zu beschränken, die durch Bodenanalyse ermittelt wurden.

Die Hauptkomponentenanalyse (PCA) wurde verwendet, um einen gewichteten künstlichen Index namens SoilPP (Gleichung 5) zu erstellen, indem alle Bewertungen von Bodenattributen aus den MBI-, LBI- und OMI-Gleichungen unter Verwendung der von Cherubin et al.29 beschriebenen Methodik ausgewertet wurden. Aufgrund der unterschiedlichen Wertebereiche und Maßeinheiten der Bodenattribute wurden deren Werte mithilfe des Z-Scores standardisiert (Mittelwert 0 und Standardabweichung 1), der mit der folgenden Formel berechnet werden kann:

Dabei ist z der Z-Score, x der Wert des Bodenattributs, x̅ der Mittelwert und σ die Standardabweichung.

Durch PCA wurde jedes Bodenattribut entsprechend dem Anteil der durch jede Komponente erklärten Varianz gewichtet (dh % der durch jede Komponente erklärten Variation dividiert durch die gesamte akkumulierte Variation aller ausgewählten Komponenten). Die gewichteten Werte für alle Attribute, die bei der Berechnung des SoilPP aus PCA verwendet werden, sind im ergänzenden Material verfügbar (Tabellen S4 und S5). Die Anzahl der zur Durchführung der SoilPP-Berechnung ausgewählten Hauptkomponenten basierte auf dem Standardabweichungswert (SD), der sich aus der Hauptkomponente (PC) über 1 ergab (Tabelle S5). Zur Berechnung des SoilPP wurde die folgende Gleichung verwendet:

Dabei ist „n“ die Anzahl der Bodenattribute, „AS“ die von jedem Bodenattribut in jeder Bodenprobe erhaltene Bewertung, „WI“ der durch PCA bereitgestellte Attributgewichtungswert innerhalb jeder Hauptkomponente und „PCn“ der Varianzanteil von die Hauptkomponente. Abschließend wurden alle Bodenproben aus jeder Schicht auf einer Skala von 0 bis 100 bewertet. Je näher die Probenbewertung bei 100 liegt, desto größer ist das Produktionspotenzial des Bodens. Die Hauptkomponentenanalyse (PCA) wurde mit den Paketen „factoextra“, „lifecycle“ und „psych“ in der R-Umgebung61 durchgeführt.

Ein synthetisches Bodenbild (SySI), das durch Anwendung der GEOS3-Methode62 erstellt wurde, wurde in Verbindung mit Geländeattributen63 verwendet, um den SoilPP für brasilianische Agrarflächen mithilfe digitaler Bodenkartierung abzuschätzen. Es wurde eine Reihe von Bootstrap- und Zufallsregressionsbäumen aus der Scikit-Learn-Bibliothek von Python verwendet64. Anstatt einfache Regressionsbäume anzupassen, emulierten wir den Random-Forest-Algorithmus65 und erzeugten Bootstrapping-Bäume, um sie im Mittel zu aggregieren, wobei wir die in Safanelli et al.36 beschriebene Methodik verwendeten. Die optimale Anzahl der Bootstrap-Bäume (Waldgröße), die Anzahl der in Baumteilungen zu untersuchenden Kovariaten und die Baumgröße wurden mit einer Hyperparameter-Gittersuche definiert, um eine Überanpassung während der Kalibrierung zu minimieren. Der für die Waldgröße getestete Wertebereich lag bei 30, 60, 100, 200, 300 und 500 Bäumen. Die Anzahl von 1, 2, 3, 5, 8, 11 und 13 Prädiktoren wurde untersucht, um sie zufällig in drei Divisionen zu verwenden. Für die Mindestanzahl von Beobachtungen an den Blättern, die die Größe oder individuelle Tiefe des Baumes definierten, wurden Werte von 10, 20, 30, 40, 50, 100, 200 und 500 Beobachtungen getestet. Detaillierte Informationen finden Sie im Zusatzmaterial.

Die vorhergesagte SoilPP-Karte wurde mit durchschnittlichen Ernteertragsdaten von Sojabohnen und Zuckerrohr aus den brasilianischen Landkreisen überschnitten, die über einen Zeitraum von fünf Jahren (2016/17–2020/21) gemittelt wurden. Zur Durchführung dieser Bewertung auf nationaler Ebene wurden die SoilPP-Karte und die kommunalen Durchschnittsertragsdaten für die jeweiligen Kulturen herangezogen. Die Ertragsdaten des Landkreises wurden als Vektordateien aus der Datenbank des Brasilianischen Instituts für Geographie und Statistik (IBGE, https://sidra.ibge.gov.br/tabela/6957) bezogen. In der Analyse wurden die Landkreise berücksichtigt, deren durchschnittliche Produktion mehr als 35 Tonnen ha-1 Zuckerrohr und 1500 kg ha-1 Sojabohnen betrug. Die durchschnittlichen Ertragswerte der einzelnen Landkreise für Sojabohnen und Zuckerrohr wurden auf der Grundlage von Quartilen kategorisiert (Tabelle 2), dh jede Kategorie hat die gleiche Anzahl an Landkreisen, um eine Überschätzung der Ertragssteigerung zu minimieren. Nach der Erstellung der SoilPP-Karte wurde der Durchschnitt der landwirtschaftlichen Böden jedes brasilianischen Landkreises ermittelt, d. h. das Ergebnis ist ein Durchschnittswert des Bodenpotenzials für jeden Landkreis, der als „SoilPPc“ kategorisiert wurde (Tabelle 2). Die kommunalen Durchschnittsertragswerte für Sojabohnen- und Zuckerrohrkulturen (Tabelle 2) stimmen mit den in der Literatur gefundenen Werten überein66,67,68,69. Die Werte der brasilianischen Landkreise mit dem durchschnittlichen Ertrag für Sojabohnen und Zuckerrohr wurden in sieben verschiedene Klassen eingeteilt, die als Ertragsklasse „Yc“ bezeichnet werden. Die Variablen SoilPPc und Cy sind in Tabelle 2 verfügbar und wurden zur Berechnung der Ertragshöhe verwendet.

Um den tatsächlichen Stand der kommunalen Erträge für Sojabohnen- und Zuckerrohranbau (Ernten 2016/17 bis 2020/21) im Verhältnis zum durchschnittlichen Potenzial landwirtschaftlicher Böden für jeden brasilianischen Landkreis zu überprüfen. Die Analyse des kommunalen Ertragsniveaus wurde durchgeführt. Durch diese Analyse kann festgestellt werden, ob der durchschnittliche kommunale Ertrag des jeweiligen Ernteertrags auf den landwirtschaftlichen Flächen, auf denen er bereits angebaut wird, gesteigert werden kann oder ob die Notwendigkeit besteht, neue landwirtschaftliche Flächen zu erschließen, um mehr zu produzieren. „SoilPPc“ und „Yc“ wurden für jeden brasilianischen Landkreis gemäß Tabelle 2 kategorisiert. „SoilPPc“ wurde von „Yc“ abgezogen, um eine Differenzkarte zu erhalten:

Die Gleichung stellt die Differenz zwischen dem tatsächlichen Zustand (realer Ertrag) und dem potenziellen Zustand (SoilPP) des Bodens zur Produktion von Biomasse dar. Wenn der resultierende Wert des „Ertragsniveaus“ positiv ist, bedeutet dies, dass der durchschnittliche kommunale Ertrag (tatsächlich) über dem Potenzial des Bodens liegt, d. h. der mit Soja oder Zuckerrohr bewirtschafteten landwirtschaftlichen Flächen sind im Durchschnitt gute Erträge im jeweiligen Landkreis verwaltet. Wenn umgekehrt der resultierende Wert negativ ist, bedeutet dies, dass der durchschnittliche kommunale Ertrag (tatsächlich) unter dem Potenzial des Bodens liegt, d (Klimafaktor, Konkurrenz um Unkraut oder Befall durch Schädlinge und Krankheiten). Die Landkreise, die ein Ergebnis von 0 erhalten haben, zeigen, dass der tatsächliche und potenzielle Zustand gleich sind, was bedeutet, dass das volle Potenzial des Bodens erkundet wird. Die Ernteerträge können jedoch noch gesteigert werden.

Eine Fallstudie wurde auf einer Zuckerrohrfarm im Kreis Rafard (Bundesstaat São Paulo) durchgeführt. Die Fläche des Hofes beträgt ca. 182 ha. Wir haben dieses Beispiel als Grundlage für die Validierung der SoilPP-Karte und den Vergleich mit PES69 verwendet. Dieser Rahmen besteht aus der Entwicklung von „Bewirtschaftungszonen“ unter Verwendung von Informationen zu Bodenklasse, Textur, Bodenfruchtbarkeit und Ertrag. Die PES hat sieben verschiedene Kategorien, die auf dem Zuckerrohrertrag basieren (A: mehr als 100 Tonnen pro Hektar; B: 91 bis 100 Tonnen; C: 86 bis 90 Tonnen; D: 81–85 Tonnen, E: 76–80 Tonnen; 70– 75 Tonnen und G: < 70 Tonnen pro Hektar). Die Beziehungen der SoilPP-Karte zur Geologie und Bodenklassifizierung des Gebiets wurden auch anhand älterer Feldkarten analysiert, um ein besseres Verständnis der Merkmale einer bestimmten Umgebung zu ermöglichen. Die SoilPP-Karte der brasilianischen Agrarflächen wurde entsprechend dem Umfang der Rafard-Farm (Bundesstaat São Paulo) geschnitten und bietet eine räumliche Auflösung von 30 m und Bodeninformationen bis zu einer Tiefe von einem Meter. Der PES wurde aus den physikalischen, chemischen und biologischen Eigenschaften des Bodens, der Evapotranspiration der Pflanzen und dem Ertrag erstellt, die im Feld bewertet wurden.

Die Multiple Correspondence Analysis (MCA) wurde unter Verwendung von 21.000 Bodenproben durchgeführt, die vor Ort über PES ausgewertet und in der SoilPP-Kartenvorhersage verwendet wurden, um die Assoziation kategorialer Gruppen zwischen beiden Systemen zu überprüfen. Die analysierten Variablen waren der SoilPP-Score im Vergleich zum PES, der durch pedologische Klassifizierung kategorisiert wird, mit Informationen zu Textur, Fruchtbarkeit und Evapotranspiration der Pflanze69. Die PES ist in sieben verschiedene Kategorien (A, B, C, D, E, F und G) unterteilt, basierend auf dem Zuckerrohrertrag, wie im vorherigen Punkt beschrieben. Damit ist es möglich zu analysieren, ob das kategoriale System von SoilPP (Gleichung 5) mit dem empirischen kategorialen System übereinstimmt, das durch die Methodik von Demattê und Demattê69 durchgeführt wird. Zur Beurteilung der Signifikanz des Zusammenhangs zwischen den Kategorien beider Methoden wurde der Chi-Quadrat-Test angewendet.

Die während der aktuellen Studie generierten und/oder analysierten Daten sind im Repository verfügbar (https://esalqgeocis.wixsite.com/english/lucas-greschuk-soil-pp-map). Einige während der aktuellen Studie verwendete und/oder analysierte Daten können vom jeweiligen Autor auf Anfrage per E-Mail [email protected] zur Verfügung gestellt werden. Diese Forschung wurde auf der Grundlage realer Feldinformationen und kommunaler Erträge entwickelt.

Vågsholm, I., Arzoomand, NS & Boqvist, S. Lebensmittelsicherheit, Sicherheit und Nachhaltigkeit – Die richtigen Kompromisse finden. Vorderseite. Aufrechterhalten. Lebensmittelsystem 4, 16 (2020).

Artikel Google Scholar

Ferreira, MDP & Féres, JG Farmgröße und Landnutzungseffizienz im brasilianischen Amazonasgebiet. Landnutzungspolitik 99, 104901 (2020).

Artikel Google Scholar

Fróna, D., Szenderák, J. & Harangi-Rákos, M. Die Herausforderung, die Welt zu ernähren. Nachhaltigkeit 11, 5816 (2019).

Artikel Google Scholar

FAOSTAT. FAOSTAT. https://www.fao.org/faostat/en/#data/QC/visualize (2022).

Kartenbiome. Mapbiomas Brasilien. https://mapbiomas.org/colecoes-mapbiomas-1?cama_set_sprache=pt-BR (2022).

Bordonal, RDO et al. Nachhaltigkeit der Zuckerrohrproduktion in Brasilien. Eine Rezension. Agron. Aufrechterhalten. Entwickler 38(2), 1–23 (2018).

Artikel Google Scholar

Gerland, P. et al. Eine Stabilisierung der Weltbevölkerung ist in diesem Jahrhundert unwahrscheinlich. Science 1979(346), 234–237 (2014).

Artikel ADS Google Scholar

Runyan, CW & Stehm, J. Landnutzungsänderung, Entwaldung und Konkurrenz um Land aufgrund der Nahrungsmittelproduktion. Enzykl. Nachhaltige Ernährungssicherheit. https://doi.org/10.1016/B978-0-08-100596-5.21995-1 (2019).

Artikel Google Scholar

Montanarella, L. et al. Die Böden der Welt sind bedroht. Boden 2, 79–82 (2016).

Artikel ADS CAS Google Scholar

Vogel, HJ et al. Quantitative Bewertung von Bodenfunktionen: Potenzial und Zustand. Vorderseite. Umgebung. Wissenschaft. 7, 164 (2019).

Artikel Google Scholar

Huang, J., Hartemink, AE & Kucharik, CJ Bodenabhängige Reaktionen der US-amerikanischen Ernteerträge auf Klimavariabilität und Tiefe des Grundwassers. Landwirtschaft. Syst. 190, 103085 (2021).

Artikel Google Scholar

Landell, MGDA et al. Chemische Eigenschaften von Oxisol unter der Oberfläche im Zusammenhang mit der Zuckerrohrproduktivität. Wissenschaft. Landwirtschaft. 60, 741–745 (2003).

Artikel CAS Google Scholar

de Moraes Barbosa, A., Rebes Zilliani, R., Tiritan, CS, Maia Souza, G. & de Almeida Silva, M. Energieumwandlungseffizienz in Zuckerrohrsorten als Funktion der Produktionsumgebungen in Brasilien. Erneuern. Aufrechterhalten. Energy Rev. 150, 111500 (2021).

Artikel Google Scholar

Mendes, WDS & Demattê, JAM Ergebnisse der digitalen Bodenkartierung zur Bodenklassifizierung und Zuckerrohrproduktion in Brasilien. JS Am. Erdwissenschaft. 116, 103881 (2022).

Artikel CAS Google Scholar

Sanches, GM et al. Präzise Produktionsumgebungen für Zuckerrohrfelder. Wissenschaft. Landwirtschaft. 76, 10–17 (2019).

Artikel Google Scholar

Cavalcante, EP & Prado, H. Zuckerrohrproduktionsumgebungen in Oxisolen in der Region Araxá-MG. Kern 7, 115–124 (2010).

Beerling, DJ et al. Landwirtschaft mit Nutzpflanzen und Steinen zur Verbesserung der globalen Klima-, Ernährungs- und Bodensicherheit. Nat. Pflanzen 4(3), 138–147 (2018).

Artikel PubMed Google Scholar

Bishopp, A. & Lynch, JP Die verborgene Hälfte der Ernteerträge. Nat. Pflanzen 1(8), 1–2 (2015).

Artikel Google Scholar

Santos et al. Brasilianisches System zur Bodenklassifizierung. Embrapa-Böden (2018).

Berechnen Sie die Eignungsbewertung für Iowa-Mais für Ihre Farm | Ag-Entscheidungsträger. IOWA https://www.extension.iastate.edu/agdm/wholefarm/html/c2-87.html (2013).

Lehmann, J., Bossio, DA, Kögel-Knabner, I. & Rillig, MC Das Konzept und die Zukunftsaussichten der Bodengesundheit. Nat. Rev. Earth Environ. 1(10), 544–553 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

McBratney, A., Field, DJ & Koch, A. Die Dimensionen der Bodensicherheit. Geoderma 213, 203–213 (2014).

Artikel ADS Google Scholar

Mulder, VL, de Bruin, S., Schaepman, ME & Mayr, TR Der Einsatz der Fernerkundung bei der Boden- und Geländekartierung – Ein Überblick. Geoderma 162, 1–19 (2011).

Artikel ADS CAS Google Scholar

Mellor, JW Globale Ernährungsbilanzen und Ernährungssicherheit. Weltentwickler. 16, 997–1011 (1988).

Artikel Google Scholar

de Araújo, FM, Ferreira, LG & Arantes, AE Verteilungsmuster verbrannter Gebiete in den brasilianischen Biomen: Eine Analyse basierend auf Satellitendaten für den Zeitraum 2002–2010. Remote Sens. 4, 1929–1946 (2012).

Artikel ADS Google Scholar

Guerra, A. et al. Ökologische Wiederherstellung in brasilianischen Biomen: Fortschritte und Lücken identifizieren. Für. Ökologisch. Geschäftsführer 458, 117802 (2020).

Artikel Google Scholar

McBratney, AB, Mendonça Santos, ML & Minasny, B. Über digitale Bodenkartierung. Geoderma 117, 3–52 (2003).

Artikel ADS Google Scholar

Lagacherie, P. Digitale Bodenkartierung: Ein Stand der Technik. Digitale Bodenkartierung mit begrenzten Daten 3–14 (2008) https://doi.org/10.1007/978-1-4020-8592-5_1/COVER/.

Cherubin, MR et al. Indexierungsstrategien für die Bodenqualität zur Bewertung der Zuckerrohrausweitung in Brasilien. PLoS ONE 11, e0150860 (2016).

Artikel PubMed PubMed Central Google Scholar

Kumar, U., Kumar, N., Mishra, VN & Jena, RK Bodenqualitätsbewertung mithilfe des Analytic Hierarchy Process (AHP). 1–18 (2019) https://doi.org/10.4018/978-1-5225-7784-3.ch001.

Gómez, J., Schobbenhaus, C. & Montes NE Geologische Karte von Südamerika 2019. Maßstab 1:5 000 000. (2019).

Embrapa. Karte der Bodenfruchtbarkeit in Brasilien. (1980).

Lal, R. Die Kohlenstoffbindung im Boden hat Auswirkungen auf den globalen Klimawandel und die Ernährungssicherheit. Science 1979(304), 1623–1627 (2004).

Artikel ADS Google Scholar

Williams, A. et al. Die Wasserspeicherkapazität des Bodens verringert das Abwärtsrisiko und die Volatilität bei US-Regenmais: Ist es Zeit, in organische Bodensubstanz zu investieren? PLoS ONE 11, e0160974 (2016).

Artikel PubMed PubMed Central Google Scholar

Yost, JL & Hartemink, AE Auswirkungen von Kohlenstoff auf die Feuchtigkeitsspeicherung in Böden der Wisconsin Central Sands, USA. EUR. J. Bodenwissenschaft. 70, 565–577 (2019).

Artikel CAS Google Scholar

Safanelli, JL et al. Nutzung von Erdbeobachtungsdaten zur Kartierung von Ackerböden in Brasilien. Geoderma 396, 115042 (2021).

Artikel ADS CAS Google Scholar

Paustian, K. et al. Klimafreundliche Böden. Nature 532(7597), 49–57 (2016).

Artikel ADS CAS PubMed Google Scholar

Tiefenbacher, A. et al. Optimierung der Kohlenstoffbindung in Ackerland: Eine Synthese. Agronomie 11, 882 (2021).

Artikel Google Scholar

Lange, M. et al. Pflanzenvielfalt erhöht die mikrobielle Aktivität des Bodens und die Kohlenstoffspeicherung im Boden. Nat. Komm. 6(1), 1–8 (2015).

Artikel ADS MathSciNet Google Scholar

Minasny, B. et al. Bodenkohlenstoff 4 Promille. Geoderma 292, 59–86 (2017).

Artikel ADS Google Scholar

Poppiel, RR et al. Kartierung von Bodenmerkmalen in mehreren Tiefen im Mittleren Westen Brasiliens mit einer Auflösung von 30 m. Remote Sens. 11, 2905 (2019).

Artikel ADS Google Scholar

Poppiel, RR et al. Pedologie und Bodenklassenkartierung anhand von Nah- und Fernerkundungsdaten. Geoderma 348, 189–206 (2019).

Artikel ADS Google Scholar

Gillman, GP Die Wirkung von zerkleinertem Basaltschlacken auf die Kationenaustauscheigenschaften eines stark verwitterten Bodens. Bodenwissenschaft. Soc. Bin. J. 44, 465–468 (1980).

Artikel ADS CAS Google Scholar

Sparovek, G., Berndes, G., Klug, ILF & Barretto, AGOP Brasilianische Agrar- und Umweltgesetzgebung: Status und zukünftige Herausforderungen. Umgebung. Wissenschaft. Technol. 44, 6046–6053 (2010).

Artikel ADS CAS PubMed Google Scholar

Strassburg, BBN et al. Wenn genug genug sein sollte: Eine verbesserte Nutzung der derzeitigen Agrarflächen könnte den Produktionsbedarf decken und natürliche Lebensräume in Brasilien schützen. Globus. Umgebung. Chang. 28, 84–97 (2014).

Artikel Google Scholar

Alvares, CA et al. Köppens Klimaklassifikationskarte für Brasilien. https://doi.org/10.1127/0941-2948/2013/0507.

Mueller, ND et al. Ertragslücken schließen durch Nährstoff- und Wassermanagement. Nature 490(7419), 254–257 (2012).

Artikel ADS CAS PubMed Google Scholar

ANA – Nationale Agentur für Wasser und grundlegende Sanitärversorgung. Atlas-Bewässerung. Wasserverbrauch in der Bewässerungslandwirtschaft. Nationale Wasser- und Sanitärversorgungsbehörde (2021).

Pavinato, PS et al. Aufdeckung von im Boden vorhandenem Phosphor zur Förderung einer nachhaltigen Landwirtschaft in Brasilien. Wissenschaft. Rep. 10(1), 1–11 (2020).

Artikel Google Scholar

IBGE. Bruttoinlandsprodukt der Staaten. Brasilianisches Institut für Statistik und Geographie 57, 1–2 (2019).

Google Scholar

Bazaglia Filho, O. et al. Vergleich zwischen detaillierten digitalen und konventionellen Bodenkarten eines Gebiets mit komplexer Geologie. Rev. Bras. Cienc Solo 37, 1136–1148 (2013).

Artikel Google Scholar

Mello, D. et al. Angewandte Gammastrahlenspektrometrie zur Bewertung tropischer Bodenprozesse und -eigenschaften. Geoderma 381, 114736 (2021).

Artikel ADS Google Scholar

POLIDORO, JC Nationales Soloprogramm Brasiliens (PronaSolos). Nationales Soloprogramm Brasiliens (PronaSolos) (2016).

Mendes, WDS et al. Ist es möglich, unterirdische Bodenattribute mithilfe von Satellitenspektraltransfermodellen abzubilden? Geoderma 343, 269–279 (2019).

Artikel ADS Google Scholar

Rizzo, R., Demattê, JAM, Lepsch, IF, Gallo, BC & Fongaro, CT Digitale Bodenkartierung auf lokaler Ebene unter Verwendung einer Vis-NIR-Spektralbibliothek mit mehreren Tiefen und Geländeattributen. Geoderma 274, 18–27 (2016).

Artikel ADS Google Scholar

Gomes, LC et al. Modellierung und Kartierung der organischen Kohlenstoffvorräte im Boden in Brasilien. Geoderma 340, 337–350 (2019).

Artikel ADS CAS Google Scholar

Bellinaso, H., Demattê, JAM & Romeiro, SA Bodenspektralbibliothek und ihre Verwendung bei der Bodenklassifizierung. Rev. Bras. Cienc. Solo 34, 861–870 (2010).

Artikel CAS Google Scholar

Benites, VM, Machado, PLOA, Fidalgo, ECC, Coelho, MR & Madari, BE Pedotransfer-Funktionen zur Schätzung der Bodendichte aus vorhandenen Bodenuntersuchungsberichten in Brasilien. Geoderma 139, 90–97 (2007).

Artikel ADS Google Scholar

Prado, H. tun. Einfache Pedologie. 3. Auflage. (2011).

Brady, N. & Weil, RR Elements of Nature and Soil Properties (Bookman, 2012).

Google Scholar

TRDC, T. Das R-Projekt für statistisches Rechnen. http://www.r-project.org (2008).

Demattê, JAM, Fongaro, CT, Rizzo, R. & Safanelli, JL Geospatial Soil Sensing System (GEOS3): Ein leistungsstarkes Data-Mining-Verfahren zum Abrufen des spektralen Bodenreflexionsvermögens aus Satellitenbildern. Fernerkundung. Umwelt. 212, 161–175 (2018).

Artikel ADS Google Scholar

Safanelli, JL et al. Geländeanalyse in der Google Earth Engine: Eine Methode, die für Hochleistungsanalysen im globalen Maßstab angepasst ist. ISPRS Int. J. Geo-Inf. 9, 400 (2020).

Artikel Google Scholar

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Breiman, L. Zufällige Wälder. Int. J. Adv. Berechnen. Wissenschaft. Appl. https://doi.org/10.1023/A:1010933404324 (2001).

Artikel MATH Google Scholar

Abraham, ER et al. Zeitreihenvorhersage mit künstlichen neuronalen Netzen: Eine Analyse anhand der brasilianischen Sojabohnenproduktion. Landwirtschaft 10, 475 (2020).

Artikel Google Scholar

Amorim, MTA et al. Einfluss von Bodentypen auf die Entwicklung von Zuckerrohr im Laufe der Zeit durch Fernerkundung überwacht. Präzise Landwirtschaft. 23, 1532–1552 (2022).

Artikel Google Scholar

Rodrigues De Amorim, F. et al. Anbaupraktiken von Zuckerrohr: Eine Analyse der Wettbewerbsfähigkeit von Zuckerrohrlieferanten in Brasilien. Zuckertech. 23, 476–483 (2021).

Artikel Google Scholar

Demattê, JLI & Demattê, JAM Produktionsumgebungen als Managementstrategie im Zuckerrohranbau. Agrarinformationen 10–18 (2009).

Referenzen herunterladen

Geotechnologies on Soil Science Group (GeoCiS, https://esalqgeocis.wixsite.com/english), São Paulo Financial Support Foundation (FAPESP), Prozessnummer, 2014-22262-0, 2021/05129-8 und 2023/00438- 8, Koordination zur Verbesserung des Hochschulpersonals – Brasilien (CAPES) – Finanzcode 88887.513392/2020-00, Luiz de Queiroz-Stiftung für Agrarstudien (FEALQ).

Abteilung für Bodenkunde, Universität São Paulo (ESALQ/USP), Av. Pádua Dias, 11, Piracicaba, SP, 13418-900, Brasilien

Lucas T. Greschuk, Joseph AM Dematte, Nelida EQ Silvero und Nicholas August Rosin

Sie können diesen Autor auch in PubMed Google Scholar suchen

LTG hat alle Abbildungen und Karten mit dem QGIS Development Team (2021) erstellt und vorbereitet. Version 3.22. „http://qgis.osgeo.org“ und Inkscape Project. (2021). Version 1.1. https://inkscape.org Autoren LTG, NEQS und NAR haben die Daten verarbeitet. LTG, JAMD, NEQS und NAR haben die Daten geschrieben Manuskript.

Korrespondenz mit José AM Demattê.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Greschuk, LT, Demattê, JAM, Silvero, NEQ et al. Ein Bodenproduktivitätssystem zeigt, dass die meisten brasilianischen Agrarflächen unter ihrem maximalen Potenzial liegen. Sci Rep 13, 14103 (2023). https://doi.org/10.1038/s41598-023-39981-y

Zitat herunterladen

Eingegangen: 02. Februar 2023

Angenommen: 03. August 2023

Veröffentlicht: 29. August 2023

DOI: https://doi.org/10.1038/s41598-023-39981-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.