A5da env5and6 arq45v6s
This commit is contained in:
parent
cd75687605
commit
c86c278aae
Binary file not shown.
Binary file not shown.
|
|
@ -0,0 +1,420 @@
|
|||
---
|
||||
title: "Organizando Dados ColetaKobo"
|
||||
author: "Adenor Vicente Wendling e José Bran (RmierculisTime)"
|
||||
date: "08/11/2020"
|
||||
output:
|
||||
html_document:
|
||||
toc: true
|
||||
toc_float: true
|
||||
theme: united
|
||||
highlight: zenburn
|
||||
|
||||
---
|
||||
|
||||
```{r setup, include=FALSE}
|
||||
knitr::opts_chunk$set(echo = TRUE)
|
||||
```
|
||||
|
||||
```{r echo=FALSE, message=FALSE}
|
||||
require(dplyr)
|
||||
require(tidyr)
|
||||
```
|
||||
|
||||
|
||||
# 1. Introdução
|
||||
|
||||
Este script tem como objetivo organizar os dados coletados (pontos de GPS) pelo Kobotool para serem usados no Qgis, na elaboração de mapas temáticos. Os dados originais provém do aplicativo kobotols <https://www.kobotoolbox.org/>, coletados para um trabalho de elaboração demapas temáticos da area dos assentamentos de Palmas, PR. Em cada propriedade visitada, foram coletados entre 1 a 5 pontos na área agrícola. Os dados dos pontos estão em uma linha, e sua utilização exige que estejam organizados de forma a que cada ponto (Lat, Long, Alt e número do ponto), esteja em uma coluna. Ou seja, de cada linha, deve ter de 1 a 5 novas colunas.
|
||||
O script foi escrito em duas mãos. Inicialmente o Adenor fez o script, com suas possibilidades, e posteriormente o José escreveu a parte do pivot_longer. Ao final, um mapa com os pontos, para demonstra o resultado.
|
||||
|
||||
# 2. Organizar os dados coletados
|
||||
|
||||
## 2.1. Importar os dados
|
||||
|
||||
```{r}
|
||||
|
||||
#Pontos <- read.csv("training/wrangling/Coleta_Assentamento_SL_1.csv", sep=";") #para rodar com "run"
|
||||
Pontos <- read.csv("data/Coleta_Assentamento_SL_1.csv", sep=";")
|
||||
#colnames(Pontos)
|
||||
```
|
||||
|
||||
## 2.2 Renomear e selecionar colunas de interesse
|
||||
|
||||
Inicialmente será trabalhado com os dados: Nome (esposo e esposa), Area do imóvel, e os pontos de moradia e da coleta dos dados.
|
||||
|
||||
Cada ponto de coleta de solos está em 5 colunas de interesse distintas: Ponto"x", Ponto"x"Lat, Ponto"x"Long, Ponto"x"Alt e ponto"x"GPS.
|
||||
|
||||
```{r echo=FALSE}
|
||||
PontosRe <- Pontos%>%
|
||||
rename( esposo = "X1...Nome.do.responsável...Esposo",
|
||||
esposa = "X2...Nome.da.responsável...Esposa",
|
||||
area = "Qual.a.Área.total.da.propriedade.",
|
||||
moradia = "Local.da.moradia.principal",
|
||||
Ponto_1_Unico = "Ponto.Coleta.area.1",
|
||||
Ponto_1_Lat = "X_Ponto.Coleta.area.1_latitude",
|
||||
Ponto_1_Long = "X_Ponto.Coleta.area.1_longitude",
|
||||
Ponto_1_Alt = "X_Ponto.Coleta.area.1_altitude",
|
||||
Ponto_1_GPS= "Número.do.ponto.1.no.GPS",
|
||||
Ponto_2_Unico = "Ponto.Coleta.area.2",
|
||||
Ponto_2_Lat = "X_Ponto.Coleta.area.2_latitude",
|
||||
Ponto_2_Long = "X_Ponto.Coleta.area.2_longitude",
|
||||
Ponto_2_Alt = "X_Ponto.Coleta.area.2_altitude",
|
||||
Ponto_2_GPS= "Número.do.ponto.2.no.GPS",
|
||||
Ponto_3_Unico = "Ponto.Coleta.area.3",
|
||||
Ponto_3_Lat = "X_Ponto.Coleta.area.3_latitude",
|
||||
Ponto_3_Long = "X_Ponto.Coleta.area.3_longitude",
|
||||
Ponto_3_Alt = "X_Ponto.Coleta.area.3_altitude",
|
||||
Ponto_3_GPS= "Número.do.ponto.3.no.GPS",
|
||||
Ponto_4_Unico = "Ponto.Coleta.area.4",
|
||||
Ponto_4_Lat = "X_Ponto.Coleta.area.4_latitude",
|
||||
Ponto_4_Long = "X_Ponto.Coleta.area.4_longitude",
|
||||
Ponto_4_Alt = "X_Ponto.Coleta.area.4_altitude",
|
||||
Ponto_4_GPS= "Número.do.ponto.4.no.GPS",
|
||||
Ponto_5_Unico = "Ponto.Coleta.area.5",
|
||||
Ponto_5_Lat = "X_Ponto.Coleta.area.5_latitude",
|
||||
Ponto_5_Long = "X_Ponto.Coleta.area.5_longitude",
|
||||
Ponto_5_Alt = "X_Ponto.Coleta.area.5_altitude",
|
||||
Ponto_5_GPS= "Número.do.ponto.5.no.GPS",)%>%
|
||||
select( esposo,
|
||||
esposa,
|
||||
moradia,
|
||||
area,
|
||||
Ponto_1_Unico,
|
||||
Ponto_1_Long,
|
||||
Ponto_1_Lat,
|
||||
Ponto_1_Alt,
|
||||
Ponto_1_GPS,
|
||||
Ponto_2_Unico,
|
||||
Ponto_2_Long,
|
||||
Ponto_2_Lat,
|
||||
Ponto_2_Alt,
|
||||
Ponto_2_GPS,
|
||||
Ponto_3_Unico,
|
||||
Ponto_3_Long,
|
||||
Ponto_3_Lat,
|
||||
Ponto_3_Alt,
|
||||
Ponto_3_GPS,
|
||||
Ponto_4_Unico,
|
||||
Ponto_4_Long,
|
||||
Ponto_4_Lat,
|
||||
Ponto_4_Alt,
|
||||
Ponto_4_GPS,
|
||||
Ponto_5_Unico,
|
||||
Ponto_5_Long,
|
||||
Ponto_5_Lat,
|
||||
Ponto_5_Alt,
|
||||
Ponto_5_GPS,)%>%
|
||||
unite(Ponto_Nome, c("esposo", "esposa"))
|
||||
|
||||
#colnames(PontosRe)
|
||||
```
|
||||
|
||||
O arquivo possui algumas linhas sem informações. Esses erros ocorreram durante o período de coleta, especialmente durante os testes, e essas linhas precisam ser eliminados do arquivo. Por sorte, esses arquivos possue NA na coluna Ponto_1_Lat.
|
||||
|
||||
## 2.3. Eliminar linhas vazias
|
||||
```{r, echo=FALSE}
|
||||
PontosRen<-PontosRe%>%
|
||||
filter(!is.na(Ponto_1_Lat))
|
||||
```
|
||||
|
||||
|
||||
## 2.4. Organizar tabela
|
||||
|
||||
Como já foi relatado na introduão, os dados dos pontos de 1 a 5 estão na mesma linha e em colunas distintas, por estabelecimento, e é necessário que estejam em linhas separadas, porém na mesma coluna.
|
||||
|
||||
Para isso será utilizado o comando **pivot_longer()** para **Alongar** a tabela.
|
||||
|
||||
Inicialmente a tabela original será dividida em , sendo uma com as colunas com final "Unico", outra com final "Lat", outra com final "Long, outra última com final "Alt"e a última com fianl "GPS". Feito isso, todas serão alongadas, criando 5 tabelas, cada uma contendo uma das informações relevantes em uma única coluna. Finalmente, as cinco tabelas serão reunidas novamente.
|
||||
|
||||
### 2.4.1. divisão da tabela e 5 novas
|
||||
```{r Repartir_Tables}
|
||||
#colnames(PontosRen)
|
||||
|
||||
Unico <- PontosRen%>%
|
||||
select("Ponto_Nome", "moradia", "area", ends_with("Unico"))
|
||||
|
||||
Latitudes <- PontosRen%>%
|
||||
select("Ponto_Nome", "moradia", "area",ends_with("Lat"))
|
||||
|
||||
Longitudes <- PontosRen%>%
|
||||
select("Ponto_Nome", "moradia", "area",ends_with("Long"))
|
||||
|
||||
Altitudes<-PontosRen%>%
|
||||
select("Ponto_Nome", "moradia", "area",ends_with("Alt"))
|
||||
|
||||
GPS<-PontosRen%>%
|
||||
select("Ponto_Nome", "moradia", "area",ends_with("GPS"))
|
||||
#View(GPS)
|
||||
```
|
||||
|
||||
Temos agora cinco tabelas contendo 11 linhas e 5 colunas cada. As tabelas são: Unico, Latitudes, Longitudes, Altitudes e GPS.
|
||||
|
||||
## 2.5. Alongamento das tabelas - Adenor
|
||||
|
||||
Foram "alongadas" os arquivos criados acima, para ter as colunas com todos os dados necessários.
|
||||
```{r Alongando}
|
||||
|
||||
Unico_longer <- Unico%>%
|
||||
pivot_longer(cols = ends_with("Unico"),
|
||||
names_to = "Set")
|
||||
|
||||
Lat_longer<-Latitudes%>%
|
||||
pivot_longer(cols = ends_with("Lat"),
|
||||
names_to = "Lat")
|
||||
|
||||
Long_longer<-Longitudes%>%
|
||||
pivot_longer(cols = ends_with("Long"),
|
||||
names_to="Long")
|
||||
|
||||
Alt_longer<-Altitudes%>%
|
||||
pivot_longer(cols = ends_with("Alt"),
|
||||
names_to="Alt")
|
||||
|
||||
GPS_longer<-GPS%>%
|
||||
pivot_longer(cols = ends_with("GPS"),
|
||||
names_to="GPS")
|
||||
|
||||
```
|
||||
Temos agora 5 tabelas, sendo cada uma contendo 55 linhas e 5 colunas. O próxima passa é unir novamente essas tabelas, para que possamos ter uma tabelas com 55 linhas, e com as culunas de Lat, Long, Alt, GPS.
|
||||
|
||||
## 2.5.1. União das tabelas alongadas
|
||||
```{r unir}
|
||||
|
||||
Pontos_Col <- bind_cols(
|
||||
Alt_longer,
|
||||
Long_longer,
|
||||
Lat_longer,
|
||||
Unico_longer,
|
||||
GPS_longer
|
||||
)
|
||||
|
||||
colnames(Pontos_Col)
|
||||
```
|
||||
Com esse comando, a tabela nova possuem várias colunas desnecessárias, criadas em cada pivot_longer, como segue:
|
||||
"" "Ponto_Nome...1" "moradia...2" "area...3""" "Alt"
|
||||
"" "value...5""" - que é o valor de Altitude; "Ponto_Nome...6" "moradia...7" "area...8" [9] "Long" "" "value...10""" que é o valor da Longitude; "Ponto_Nome...11" "moradia...12" "area...13" "Lat" """value...15" "" que é o valor de Latitude; "Ponto_Nome...16" "moradia...17" "area...18" "Set" "" "value...20" "" que é ovalor de Unico; [21] "Ponto_Nome...21" "moradia...22" "area...23" "GPS" "" "value...25" "" que é o valor do ponto de GPS.
|
||||
Por isso, vai mas um chunk só para eliminar essas colunas desnecessárias
|
||||
|
||||
## 2.5.2. Limpeza da tabela
|
||||
```{r unir2}
|
||||
|
||||
Pontos_Colu <- Pontos_Col%>%
|
||||
select(
|
||||
Ponto_Nome...1,
|
||||
moradia...2,
|
||||
area...3,
|
||||
value...25,
|
||||
value...5,
|
||||
value...10,
|
||||
value...15,
|
||||
value...20,
|
||||
)%>%
|
||||
filter(value...5>0)
|
||||
Pontos_Colu
|
||||
```
|
||||
|
||||
Da mesma forma que foram criadas várias colunas no pivot_longer, no processo de bind_cols essas colunas foram juntadas, e as de mesmo nome, foram renomeadas inconvenientemente.
|
||||
Lá vai mais um chunk para dar nomes de boi aos bois.
|
||||
|
||||
### 2.5.3. Renomeação das colunas
|
||||
```{r}
|
||||
Pontos_Colun <- Pontos_Colu%>%
|
||||
rename(
|
||||
nome = "Ponto_Nome...1",
|
||||
moradia = "moradia...2",
|
||||
area = "area...3",
|
||||
Ponto="value...25",
|
||||
Altit = "value...5",
|
||||
Longit = "value...10",
|
||||
Latit = "value...15",
|
||||
Unica = "value...20"
|
||||
)
|
||||
```
|
||||
|
||||
Finalmente, após longos atalhos, está pronta a nossa tabela, contendo uma coluna de Lat, uma para Long e uma para Alt, com as demais colunas acessóarias necessárias. Vejamos que agora temos apenas 31 linhas, e não 55 como havia acima. Isso se deu já que foram eliminadas as linhas sem dados, com o comando filter.
|
||||
|
||||
```{r}
|
||||
Pontos_Colun
|
||||
```
|
||||
|
||||
|
||||
## 2.6 Pivot_longer @José
|
||||
|
||||
@jose: Outra opção para alongar a tabela e renomear as colunas no mesmo código que alonga a tabela é incluir os nomes da colunas que terá os valores "values_to"
|
||||
|
||||
Também. o filtro para eliminar células sem dado pode ser aplicado no mesmo código, aproveitando o "pippin" (%>%)
|
||||
|
||||
### 2.6.1. Pivot longer com as especificações
|
||||
Foram utilizadas as mesmas tabelas criadas no chunk "Repartir_Tables", mas com especificações na saída de cada pivot_longer, evitando criação de colunas com nomes iguais.
|
||||
|
||||
```{r}
|
||||
Unico_Longer.2 <- Unico%>%
|
||||
pivot_longer(
|
||||
cols = ends_with("Unico"),
|
||||
names_to = "Set",
|
||||
values_to = "Unica"
|
||||
)%>%
|
||||
filter(Unica!= "")
|
||||
Unico_Longer.2
|
||||
```
|
||||
Nesta primeira tabela foram mantidos os dados de nome, moradia e área. Nas pŕoximas tabelas esses serão eliminados com o comando select, pois, as colunas redundantes podem ser retiradas das próximas tabelas, já que parece que ao deixar padronizadas as linhas em 21 a ordem da coluna indicadora não se modifica e todas as tabelas ficam na mesma ordem
|
||||
|
||||
```{r}
|
||||
Lat_Longer.2 <- Latitudes%>%
|
||||
pivot_longer(
|
||||
cols = ends_with("Lat"),
|
||||
names_to = "Lat",
|
||||
values_to = "Latit"
|
||||
)%>%
|
||||
filter(Latit!= "")%>%
|
||||
select(Latit)
|
||||
|
||||
Lat_Longer.2
|
||||
```
|
||||
|
||||
```{r}
|
||||
Long_Longer.2 <- Longitudes%>%
|
||||
pivot_longer(
|
||||
cols = ends_with("Long"),
|
||||
names_to = "Long",
|
||||
values_to = "Longit"
|
||||
)%>%
|
||||
filter(Longit!= "")%>%
|
||||
select(Longit)
|
||||
```
|
||||
|
||||
|
||||
```{r }
|
||||
Alt_longer.2 <- Altitudes%>%
|
||||
pivot_longer(
|
||||
cols = ends_with("Alt"),
|
||||
names_to = "Alt",
|
||||
values_to = "Altit"
|
||||
)%>%
|
||||
filter(Altit!= "")%>%
|
||||
select( Altit)
|
||||
```
|
||||
|
||||
|
||||
```{r }
|
||||
GPS_longer.2 <- GPS%>%
|
||||
pivot_longer(
|
||||
cols = ends_with("GPS"),
|
||||
names_to = "GPS",
|
||||
values_to = "Ponto"
|
||||
)%>%
|
||||
filter(Ponto!= "")%>%
|
||||
select(Ponto)
|
||||
|
||||
```
|
||||
Apresentamos apenas as tabela Lat_Longer.2, já que as outras na sequência apresentam a mesma lógica, contendo apenas uma coluna.
|
||||
|
||||
## 2.6.2. União das tabelas alongadas
|
||||
|
||||
```{r}
|
||||
Pontos_Colun.2 <-cbind(Unico_Longer.2, GPS_longer.2, Alt_longer.2, Long_Longer.2, Lat_Longer.2)
|
||||
head(Pontos_Colun.2)
|
||||
```
|
||||
|
||||
# 3. Salvar no Arquivo
|
||||
O arquivo que queremos é um .csv. Por isso, usamos o write.csv.
|
||||
|
||||
```{r}
|
||||
#write.csv(Pontos_Colun, file = "ColetaAssentamPontos.csv")
|
||||
```
|
||||
|
||||
# 4. Mapas
|
||||
O mapa, além de trazar informaões espaciais da localizaão dos pontos, serve aqui muito mais para conferir a exatidão da coleta.
|
||||
|
||||
Com base em <https://github.com/renatamuy/mapas/commit/bdcf2fec1a23b64692d735d0a3bb4a644b81dd18>
|
||||
|
||||
## 4.1 Carregue os pacotes necessarios
|
||||
|
||||
```{r}
|
||||
library(ggplot2)
|
||||
library(ggrepel)
|
||||
library(broom)
|
||||
require(rgdal)
|
||||
```
|
||||
|
||||
|
||||
### 4.1.1. Defina qual sera a area usada como base do mapa
|
||||
|
||||
|
||||
```{r}
|
||||
|
||||
#shpA_SL <- rgdal::readOGR(dsn=, "training/wrangling/shapefiles",
|
||||
shpA_SL <- rgdal::readOGR(dsn="Qgis",
|
||||
layer="Assentamento_SL",
|
||||
verbose=TRUE,
|
||||
stringsAsFactors=FALSE)
|
||||
|
||||
```
|
||||
|
||||
### 4.4.2 - Passar para data.frama
|
||||
```{r}
|
||||
shp.df<-broom::tidy(shpA_SL)
|
||||
```
|
||||
|
||||
|
||||
## 4.3. Mapa do município
|
||||
```{r município Palmas, results="hide"}
|
||||
|
||||
#Palmas <- rgdal::readOGR(dsn=, "training/wrangling/shapefiles",
|
||||
Palmas <- rgdal::readOGR(dsn="Qgis",
|
||||
layer="Palmas",
|
||||
verbose=TRUE,
|
||||
stringsAsFactors=FALSE)
|
||||
|
||||
Palmas1<-tidy(Palmas)
|
||||
```
|
||||
|
||||
|
||||
## 4.2 Plote o mapa usando o ggplot2 como um objeto, ainda sem desenha-lo na tela
|
||||
|
||||
|
||||
Esse é o mapa a ser plotado, com os pontos de coleta, objeto do wranling acina.
|
||||
```{r, fig.cap= "Município de Palmas, PR, com destaque para o Assentamento São Lourenço",fig.align='center', fig.height=2, fig.width=3 }
|
||||
Geral <- ggplot() + geom_polygon(data = Palmas1,
|
||||
aes(x=long, y = lat, group = group),
|
||||
fill = "lightgrey", color = "black") +
|
||||
geom_polygon(data = shp.df,
|
||||
aes(x=long, y = lat, group = group),
|
||||
fill = "blue", color = "red") + #Note que voce pode mudar as cores do fundo e da borda
|
||||
coord_fixed (1.1)+
|
||||
labs(x="Longitude", y = "Latitude") #De nome aos eixos
|
||||
Geral
|
||||
|
||||
```
|
||||
|
||||
```{r fig.height=2, fig.width=2, fig.cap="Mapa do Assentamento com destaque para os Pontos de coleta de solo"}
|
||||
|
||||
assentamento <- ggplot() +
|
||||
geom_polygon(data = shp.df,
|
||||
aes(x=long, y = lat, group = group),
|
||||
fill = "lightgrey", color = "black") + #Note que voce pode mudar as cores do fundo e da borda
|
||||
coord_fixed(1.1) + #Use isto para o mapa ficar proporcional
|
||||
geom_point(data = Pontos_Colun, aes(x = Longit, y = Latit),
|
||||
color = "red", #Escolha a cor dos pontos
|
||||
size = 1, #Tamanho dos pontos
|
||||
alpha = 0.8) + #Transparencia: quanto mais proximo de 1, menos transparente
|
||||
geom_text_repel (data=Pontos_Colun, aes(x=Longit, y=Latit, label=Ponto))+ #Use isto para os rotulos dos pontos nao ficarem sobrepostos
|
||||
theme_bw() +
|
||||
labs(x="Longitude", y = "Latitude") + #De nome aos eixos
|
||||
|
||||
theme(text = element_text(size=10), #Ajuste os tamanhos das fontes
|
||||
plot.title = element_text(size=10, hjust=0.5),
|
||||
axis.text.x = element_text(size = 10, angle=0, hjust=1),
|
||||
axis.text.y = element_text(size = 10, angle=0, vjust=1),
|
||||
axis.title.x = element_text(size = 10, angle=0),
|
||||
axis.title.y = element_text(size = 10, angle=90))
|
||||
plot(assentamento)
|
||||
|
||||
```
|
||||
|
||||
|
||||
|
||||
referências
|
||||
Morkdown <https://bookdown.org/yihui/rmarkdown/html-document.html#table-of-contents>
|
||||
<https://bookdown.org/yihui/rmarkdown/>
|
||||
Foi escrito com base em <https://raulossada.gitbooks.io/r_mapas/content/section2/s2_02_getProjection.html>
|
||||
|
||||
|
|
@ -0,0 +1,372 @@
|
|||
---
|
||||
title: "Arquivos com informações do assentamento"
|
||||
author: "Adenor Vicente Wendling"
|
||||
date: "24/02/2021"
|
||||
output:
|
||||
html_document:
|
||||
toc: true
|
||||
toc_float: true
|
||||
theme: united
|
||||
highlight: zenburn
|
||||
df_print: paged
|
||||
---
|
||||
|
||||
```{r setup, include=FALSE}
|
||||
knitr::opts_chunk$set(echo = TRUE)
|
||||
```
|
||||
|
||||
# Introdução
|
||||
A elaboração de projetos no software Qgis está sendo facilitada diariamente, através da disponivilização de arquivos e banco de dados em inúmeros formatos e sites.
|
||||
|
||||
|
||||
Um projeto deve ser o mais preciso prossível. Por isso, a fonte de dados é importante. ńúmeras bases de dados com informações reevantes estão dispinívies para uso gratuito, em bancos de dados públicos ou privados.
|
||||
|
||||
Antes de mais nada, entretanto, é necessário instalar o QGIS em seu PC.
|
||||
|
||||
|
||||
## Instalação do Qgis.
|
||||
|
||||
QGIS é um aplicativo profissional de georeferenciamento, construído sobre Software Livre e de Código Aberto (FOSS). Possui um volume imenso de documentação, em Inglês, e traduzido em parte ou no todo para inúmeras outras linguas, incluside para o Português.
|
||||
O Qgis permite criar, editar, visualizar, analisar e publicar informações geoespaciais no Windows, Mac, Linux, BSD e dispositivos móveis. Estamos utilizando atualmente a versão 3.16.1.
|
||||
|
||||
### Instalação em Linux Ubuntu/debian
|
||||
|
||||
Neste tutorial serão apresentados os passos para instalar o QGIS estável mais recente (3.16.x Hannover) em seu Debian ou Ubuntu sem ter que editar os arquivos de configuração.
|
||||
A instalação será através do 'terminal', usando os códigos na sequência
|
||||
|
||||
1 - Primeiro instale algumas ferramentas de que você precisará para estas instruções:
|
||||
|
||||
```sudo apt install gnupg software-properties-common```
|
||||
|
||||
2 - Agora instale a chave de assinatura QGIS, para que o software QGIS do repositório QGIS seja confiável e instalado:
|
||||
|
||||
```wget -qO - https://qgis.org/downloads/qgis-2020.gpg.key | sudo gpg --no-default-keyring --keyring gnupg-ring:/etc/apt/trusted.gpg.d/qgis-archive.gpg --import ```
|
||||
|
||||
```sudo chmod a+r /etc/apt/trusted.gpg.d/qgis-archive.gpg```
|
||||
|
||||
3- Adicione o repositório QGIS para o QGIS estável mais recente (3.16.x Hannover).
|
||||
|
||||
*Observação: “lsb_release -c -s” nessas linhas retornará o nome da sua distribuição:*
|
||||
|
||||
```sudo add-apt-repository "deb https://qgis.org/debian `lsb_release -c -s` main"```
|
||||
|
||||
>É importante conferir se o anterior comando atualiza a versão do sistema operacional. Em PureOs, esse comando atualiza o nome da versão (amber) mas não atualiza o Qgis. Como dito sistema operacional é baseado em Debian 10 (Buster), usuários de dito sistema devem editar manualmente a lista de repositórios.
|
||||
|
||||
> Isso pode ser feito usando o editor nano na pasta onde se encontra dita lista:
|
||||
|
||||
`su nano /etc/apt/sources.list`
|
||||
|
||||
> Dentro do editor pode ser incluidas as seguintes linhas para sustituir a versão de PureOs (amber) por "buster":
|
||||
|
||||
`deb https://qgis.org/debian buster main`
|
||||
`deb-src https://qgis.org/debian buster main`
|
||||
|
||||
4 - Atualize as informações do seu repositório para refletir também o recém-adicionado QGIS:
|
||||
|
||||
```sudo apt update```
|
||||
|
||||
5 - Agora instale o Qgis:
|
||||
|
||||
```sudo apt install qgis qgis-plugin-grass```
|
||||
|
||||
*É provável que o instalador solicite autorização para instalar vários outros aplicativos, e a recomendação é aceitar todas.*
|
||||
|
||||
### Instalação em Windows
|
||||
|
||||
Para instalar o Qgis no windows, baixe o instalador Standalone, da última versão e de acordo com sua estrutura em bits, do endereço e <https://qgis.org/pt_BR/site/forusers/download.html>
|
||||
|
||||
|
||||
# Instalação de Plug-ins (complementos)
|
||||
|
||||
Para facilitar nossa vida, será utilizado a palavra "complemento" que tem o mesmo significado de "plug-in"
|
||||
Os complementos QGIS adicionam funcionalidades adicionais ao aplicativo QGIS. De acordo com a atividade a ser exercida, poderá ser necessário, ou mais conveniente a utilização do um complemento específico. É o caso da inserção de uma camada com vista aérea, muito util para visualizar uma propriedade ou gleba. Ou do complemento Qad, importante para a elaboração da divisão de área.
|
||||
|
||||
Existe uma coleção de complementos prontos para serem usados, disponíveis para download. Esses complementos também podem ser instalados diretamente do *gerenciar e instalar complementos*, no QGIS. Antes de iniciar a instalação de complementos, é necessário configurar o gerenciador, com os seguintes passos.
|
||||
|
||||
```Clique no menu **Complementos**```
|
||||
|
||||
Na nova janela, selecione a opção *Mostrar também os componentes experimentais*,(imagem 2) e se for do seu interesse, selecione também a opção *verificar se há atualizações ao iniciar*
|
||||
|
||||
|
||||
|
||||
## Instalação do complemento QuickMapService
|
||||
|
||||
O complemento *QuickMapService* possibilita, entre outras coisas, que se adicione uma camada web (mapas online) a um projeto do QGIS. Estas camadas provém de serviços online de mapeamento, como Google Earth, Google Maps, OpenStreetMap, entre outros.
|
||||
|
||||
Para instalar esse complemento, ```Clique no menu **Complementos**```.
|
||||
|
||||
Na nova janela, clique na opção *Tudo*, e digite *"Quick"* na linha de busca. Em seguida, selecione "QuickMapService" na lista dos complementos, e clique em *Adicionar*. Feita a instalação, feche esta janela, e o complemento já estará pronto para uso.
|
||||
|
||||
Para visualizar alguma imagem de satélite, selecione a opção *Web*, em sequida *QuickMapService* e finalmente a imagem de interesse.
|
||||
|
||||
Muitas vezes a imagem do naõ facilita a seleção do local específico (**por exenplo - é difícil encontrar a região de Palmas, no Paraná, sem auxilio de outros mapas**). Para isso, a opção *OpenStreetMap* auxilia muito. Para apresentá-la no visor, selecione *XYZTiles* e em seguida *OpenStreetMap*, na aba *NAVEGADOR* (Imagem 3).
|
||||
|
||||
|
||||
|
||||
|
||||
# Bancos de dados.
|
||||
|
||||
Existem inúmeros sites que disponibilizam arquivos em formatos vetorial ou Raster gratuitamente.
|
||||
|
||||
O site <https://forest-gis.com/download-gis-base-de-dados/> paresenta uma coletâne dos principais mapas disponibilizados, com seus respectidos links. Pela abrangência de detalhamento dos dados, não há necessidade de repetí-los aqui.
|
||||
|
||||
## Divisão política e administrativa
|
||||
|
||||
Para usar os vetores da divisão política administrativa, onde se encontram os mapas dos estados e munícípios, recomendo utilizar os mapas do IBGE. Sempre inicio os projetos visualizando o mapa do brasil e a divisão político administrativo, pois acho que facilita a localização.
|
||||
|
||||
|
||||
## Delimitação da área dos assentamentos.
|
||||
Para a delimitação dos assentamentos que serão trabalhados no nosso exemplo, podemos utilizar os mapas do INCRA, no link <https://certificacao.incra.gov.br/csv_shp/export_shp.py>. O site oferece a opção de selecionar o estado e tipo de dados.
|
||||
|
||||
|
||||
## CAR - Cadastro ambiental rural
|
||||
Para os dados que atendem as questões ambientais legais, o governo disponibiliza o CAR, cadastro ambiental rural.
|
||||
Os dados estão disponíveis no endereço <https://www.car.gov.br/publico/municipios/downloads> e estão divididos por estados e municípios.
|
||||
|
||||
## Características do terreno
|
||||
O acesso aos dados - imagens rasters - são através do link abaixo: <http://www.webmapit.com.br/inpe/topodata/>. Neste banco de dados podemos obter dados de: altitude, declividade, orientação, relevo sombreado, com resolução de 30 x 30 m.
|
||||
|
||||
## Curvas de nível - elevação
|
||||
O exerxito brasileiro oferece inúmeros dados através de mapas, sendo o mais importante para elaborar o estudo da área dos assentamentos é o mapa de elvação (curvas de nível do terreno), no link <https://bdgex.eb.mil.br/bdgexapp>. É preciso preencher um cadastro, mas os dados são públlicos e após o cadastro, facilmente obtidos no site.
|
||||
|
||||
# Inserir as camadas desejadas no QGIS
|
||||
## Divisão política e administrativa
|
||||
## Delimitação da área dos assentamentos.
|
||||
## CAR - Cadastro ambiental rural
|
||||
|
||||
Depois de baixado, os arquivos devem ser descompactados, e armazenados em local específico, para seu uso.
|
||||
|
||||
### Os dados
|
||||
Os dados disponibilizados estão divididos em vários grupos, conforme se visualiza na imagem 1.
|
||||
.
|
||||
|
||||
### Inserir dados no projeto.
|
||||
Para inserir os dados dos arquivos no projeto, deverão ser seguidos os seguintes passos
|
||||
|
||||
Primeiro, selecione `Camada` no menu, e depois, `AdicionarCamada` e finalmente, `adicionar camada vetorial` (Figura 2).
|
||||
|
||||
.
|
||||
|
||||
Na janela que se abre (Figura 3), faze-se necessário escolher o caminho em `base(s) de vetores`, e clicar em `Adicionar` seguido do clique em `close`. A camada será mostrada na janela do Qgis, conforme figura 4.
|
||||
|
||||
.
|
||||
|
||||
.
|
||||
|
||||
### Extrair área de interesse
|
||||
Ao inserir a camada com algum vetor da base de dados do `CAR`, ela será de todo o município. Quando a área de interesse não for de todo o município, poderão ser extraídos apenas os vetores da área de interesse. Para isso é necessário ter o vetor da área de interesse já defenido, e inserido nas camadas da janela de visualizaao do Qgis.
|
||||
No nosso caso, a área de interesse é a área toral do assentamento São Lourenço, cujo vetor tem o nome de `Assentamento_SL`.
|
||||
|
||||
### Alterar SRC
|
||||
Para a correta funcionalidade da apresentação dos mapas, é fundamental que todos esteja com a mesma referencia geográfica, representada no `SRC`. Caso o SRC do mapa inserido seja diferente do mapa já existente, ou do SRC do projeto, é necessário alterar o mesmo.
|
||||
Para alterar o SRC da camada raster, clique em **Raster** no menu principal, depois em **Projeções** e em seguida em **Reprojetar coordenadas**, conforme mostrado na Figura 3.
|
||||
|
||||
|
||||
|
||||
Na janela da reprojeção, selecione a camada cuja SRC você queira alterar, e os demais campos disponíveis: SRC de origem, SRC de destino, e *sem compactação* conforme mostra a Figura 4.
|
||||
|
||||
|
||||
|
||||
|
||||
#### Salvar camada com SRC reprojetado
|
||||
Após essa Reprojeção, aparecerá uma nova camada no Qgis. é importante que você salve esta nova camada em um local conhecido.
|
||||
|
||||
|
||||
|
||||
#### Remover arquivos desnecessários
|
||||
Salvo o arquivo, você pode remover as camadas rasters anteriores para evitar confusão, conforme figura 6.
|
||||
|
||||
|
||||
|
||||
|
||||
A extração dos vetores da área de interesse pode ser feita com o comando `extrair vetor com máscara de entrada`, selecionada diretamente na caixa de ferramentas, ou seguindo os passos a seguir.
|
||||
|
||||
## Características do terreno
|
||||
# Obtenção dos dados
|
||||
|
||||
## O Topodata
|
||||
|
||||
A seguir tem uma pequena transcrição sobre os dados do topodata. "O projeto Topodata oferece o Modelo Digital de Elevação (MDE) e suas derivações locais básicas em cobertura nacional, ora elaborados a partir dos dados SRTM disponibilizados pelo USGS na rede mundial de computadores.
|
||||
|
||||
Desde que o Topodata foi lançado pela primeira vez, em agosto de 2008, o processamento dos dados foi sucessivamente inspecionado e revisado, com vistas a aprimoramentos e correções. Os dados inicialmente disponibilizados seguiram fielmente as opções e especificações constantes no “Guia de utilização” associado ao Topodata. Porém, problemas na articulação entre folhas e a demanda por mais formatos levaram a um novo tratamento dos dados desde sua preparação, e detalhes do processamento de derivação geomorfométrica foram oportunamente melhorados, e estes novos produtos estiveram disponíveis desde o dia 6 de maio de 2009.
|
||||
|
||||
Para possibilitar uma futura expansão do Topodata, foi feita uma nova revisão dos produtos e processos, que culminou numa metodologia passível de aplicação onde quer que existam dados SRTM. Os dados atualmente disponíveis, desde novembro de 2011, foram elaborados em fiel correspondência a estes procedimentos."Fonte <http://www.dsr.inpe.br/topodata/index.php>
|
||||
|
||||
O acesso aos dados - imagens rasters - são através do link abaixo: <http://www.webmapit.com.br/inpe/topodata/>. Neste banco de dados podemos obter dados de: altitude, declividade, orientação, relevo sombreado, com resolução de 30 x 30 m.
|
||||
|
||||
## Formato e descrição doss arquivos
|
||||
Os arquivos das imagens de declividade, altitude,orientação, relevo e curvaturas, são em formato disponibilizados em .gif.
|
||||
A nomemnclatura segue um padrão, sendo:
|
||||
Os primeiros dois números representam a latitude da imagem;
|
||||
A letra S significa latude sul, e a letra N significa latitude Norte;
|
||||
Os três últimos números são da longitude.
|
||||
As letras finais indicam a finalidade da imagem, sendo:
|
||||
`**ZN** para altutude`
|
||||
`**SN** para Declividade`
|
||||
`**ON** para Orientação`
|
||||
`**OC** para Orientação octante`
|
||||
`**RS** para Relevo sombreado`
|
||||
`**VN** para Curvatura Vertical de 3 classes`
|
||||
`**H3** representa imagens de curvatura Horizontal de 3 classes.`
|
||||
|
||||
## Passos para Baixar o arquivo de interesse
|
||||
|
||||
Os arquivos são acessados com facilidade, sem necessidade de conta ou cadastro. Clique na área de interesse, e a seguir, no arquivo de interesse. **feito**
|
||||
|
||||
Descompacte o arquivo, e o salve em local conhecido. É importante ter uma boa organização nos arquivos, com pastas separadas para arquivos originais, em edição e finalizados.
|
||||
|
||||
# Agora no qgis
|
||||
|
||||
## Inserir o arquivo
|
||||
|
||||
Através do caminho apontado na Figura 1.
|
||||
|
||||
|
||||
|
||||
|
||||
```{r}
|
||||
|
||||
```
|
||||
|
||||
Na tela que se abre, busque o arquivo baixado. Clique em **Adicionar** e em seguida em **close**.
|
||||
A imagem estará adicionada como uma nova camada, e provavelmente estará visivel (como primeira camada). Caso não seteja visível, mova a camada para o topo da lista das camadas.
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
Os arquvos raster do topodata estão com o SRC EPSG 4674, que é o formato SIRGAS 2000, oficial para a Amárica Latina. Esta informação pode ser obtida, clicando em **propriedades** e depois em **informações**. Quando nosso projeto está sendo elaborado em outro SRC, todos as camadas devem ser reprojetadas para este SRC. No nosso caso, estamos trabalhando com o SRC 31982.
|
||||
|
||||
## Alterar SRC
|
||||
|
||||
Para alterar o SRC da camada raster, clique em **Raster** no menu principal, depois em **Projeções** e em seguida em **Reprojetar coordenadas**, conforme mostrado na Figura 3.
|
||||
|
||||
|
||||
|
||||
|
||||
Na janela da reprojeção, selecione a camada cuja SRC você queira alterar, e os demais campos disponíveis: SRC de origem, SRC de destino, e *sem compactação* conforme mostra a Figura 4.
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
### Salvar camada com SRC reprojetado
|
||||
Após essa Reprojeção, aparecerá uma nova camada no Qgis. é importante que você salve esta nova camada em um local conhecido.
|
||||
|
||||
|
||||
|
||||
### Remover arquivos desnecessários
|
||||
Salvo o arquivo, você pode remover as camadas rasters anteriores para evitar confusão, conforme figura 6.
|
||||
|
||||
|
||||
|
||||
|
||||
Agora podemos iniciar os recorte da camada, já que possuem a mesma SRC.
|
||||
|
||||
|
||||
## Recortar a área do raster
|
||||
|
||||
A estas alturas, você já deve ter delimitado sua área de interesse, conforme já mostramos aqui neste repositório [Veja o documento - Como criar shapefile](CriarShapefilePRV.Rmd).
|
||||
Para facilitar os trabalhos, e não sobrecarregar o computador, é recomendável recortar o raster de acordo com a área de interesse, que geralmente é muito menor do que todo o arquivo raster .
|
||||
|
||||
Na janela para definir os parâmetros do recorte, fique atendo para selecionar os parâmetros apontados na figura 7.
|
||||
|
||||
|
||||
|
||||
Executado o comando do recorte, aparecerá mais uma camada na tela do QGIS, agora delimitada de acordo com os parâmetros utilizados. A camada recém criada, provavelmente apresentará pontos com altitute igual a zero (em preto). Esses pontos serão removidos durante o processo de salvamento, seguindo os passos conforme figura 8. Veja, que na aba de salvar o arquivo, selecionamos o atributo **nenhum valor de dados** e inserimos os valores a serem desconsiderados na camada salva. No nosso caso, é a altitude zero que deverá se desconsiderada.
|
||||
|
||||
|
||||
|
||||
A camada terá aspectos identicos aos da figura 9.
|
||||
|
||||
|
||||
|
||||
# Configurar a camada para visualização.
|
||||
A configuração consiste em atribuir cores para as diferentes camadas, de acordo com as minhas necessidades. Existe um "padrão" de paleta de corres, elaboradas pelo INPE, que podem (e devem) ser utilizados para manter o padrão e o profisionalismo do projeto.
|
||||
Abaixo cópia de trechos do site <http://blog.webmapit.com.br/2013/02/topodata-paletas-qgis-para-altitude.html> para obtenção e aplicação de palheta de cores para altitudes.
|
||||
|
||||
`Para comemorar os 18 meses em operação do Mapa Índice TOPODATA é com satisfação que disponibilizamos um conjunto de arquivos QML para serem usados no software QGIS com dados do projeto TOPODATA.`
|
||||
|
||||
`Estes arquivos definem rampas de cores para o tema Altitude e foram elaborados a partir da adaptação dos valores de elevação e regras de cores contidos nos esquemas de cores SRTM, Terrain, Atlas Shader e ETOPO2 provenientes do software GRASS ( função r.colors ).`
|
||||
|
||||
1. Faça o download e extração dos arquivos QML <http://www.webmapit.com.br/downloads/qgis4TopodataBrasil.zip>
|
||||
2. Na lista de camadas(layers), clique com o botão direito no layer correspondente ao .tif e selecione a opção "Propriedades".
|
||||
3. Depois clique no botão "Carregar estilo" e selecione o arquivo .QML correspondente ao estilo que você deseja aplicar e depois clique no botão OK. Veja a Figura 10.
|
||||
|
||||
|
||||
|
||||
|
||||
Depois de carregado o estilo adequado - no caso de altitude, o estilo **qgis4TopodataBrasil_Etopo2.qml** - é necessário fazer algumas adequações para o local, como por exemplo: Definir o modo de distribuição das cores - *o modo intervalos iguais* parece mais adequados; e o número de classes, conforme demostrado na Figura 11.
|
||||
|
||||
|
||||
|
||||
# A imagem Final
|
||||
Após esses passos, você tera finalizado a importação e a configuração da camada de altitude do projeto. Para visualizar individualmente a altitude de cada ponto, basta clicar no ícone **Identificar feições**, e depois no ponto de deseja verificar. As definições deste ponto aparecerão no lado direito, ao alto na janela, conforme demonstrado na figura 12.
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
## Curvas de nível - elevação
|
||||
|
||||
# Impressão dos mapas
|
||||
No processo de elaboração dos mapas do Assentamento São Lourenço, foram inseridos os rasters de altitude e orientação do terreno, conforme roteiro apresentado acima.
|
||||
A inserção desses dois rasters gera dois mapas distintos, já que não é possível mesclar os dois mapas numa só visialização (ou pelo menos não tem funcionalidades).
|
||||
|
||||
### Adicionando itens ao layout
|
||||
A impressão dos mapas, em formato vários formatos, pode ser feito através do `layout de impressão`, que pode ser acessado através do menu `Projeto`.
|
||||
> O primeiro passa é atribuir um nome ao nome do layout (Figura 13). Lembre-se que para o mesmo projeto podem haver vários layouts.
|
||||
|
||||
|
||||
|
||||
>>** Não nos preocupamos neste momento com as configurações de cada adição. Isso será tratado no próximo capítulo.**
|
||||
|
||||
> O segundo passo, é desenhar (demarcar) as mimensões do mapa dentro da "folha", clicando no botão `Adicionar mapa`, conforme marcado com o ńumero 1 na figura 14.
|
||||
|
||||
|
||||
|
||||
> O terceiro passo, é o ajuste do mapa dentro da área demarcada. Para ajustar o zoom ou deslocar a área interna do mapa, clica-se no botão `mover o conteúdo do item`. Para ajustar o item (a demarcação), clica-se no botão `selecionar/mover item`, conforme demonstrado na figura 6.
|
||||
|
||||
> O quarto passo é a inserção de Barra de escala e seta norte, se for o caso. Para inserir a barra de escala, clica-se no botão `Inserir Barra Escala`, e para inserir a seta norte, clica-se no botão `Inserir Seta Norte`, conforme figura 14.
|
||||
> O quinto passo é a inserção do Título do mapa, que será feito clicando no botão `Adicionar Rótulo`.
|
||||
> O sexto passo será inclusão da Legenda, clicando no botão `Adicionar Legenda`.
|
||||
|
||||
### Configuração dos itens adicionados
|
||||
Depois de adicionados os itens, deve-se dedicar um tempo para sua edição, conforme será visto a seguir.
|
||||
Basicamente, as edições são reallizadas nas ferramentas dispostas no lado direito da tela do layout (Figura 15). Na parte superior vê-se a janela dos itens adicionados, e do meio para a parte inferior, a parte dos modelos e das propriedades de cada item. Ao selecionar um item, as propriedades do mesmo aprecem nesta parte, e é aí que se fazem as configurações.
|
||||
Na aba do item, pode-se selecionar os que aparecerão na impressão, e bloquear a edição do item. Para bloquear a edição do conteúdo do interior do item, é preciso acessar a aba abaixo, de propriedades do item.
|
||||
|
||||
|
||||
|
||||
#### Configurações do Mapa
|
||||
O primeiro item adicionado, também poderá ser o primeiro a ser configurado. Ao clicar no item `mapa 1` e selecionar a aba `propriedades do item`, são mostradas as configurações possíveis, como: Escala, SRC, rotação, travar camadas, travar estilo, grades, enquadramento, posição e tamanho, moldura, etc.
|
||||
Neste exemplo, iremos incluir uma moldura, e travar as camadas. **Depois de travar as camadas, posso incluir outro mapa, com outro tema, sem prejuízos ao mapa atual**.
|
||||
|
||||
#### Configurações da legenda
|
||||
Ao inclui a legenda, aparece a legenda de todas as camadas existentes no arquivo do projeto, o que geralmente não é o desejável.
|
||||
Pode-se atribuir um Título ao mapa, com as configurações necessárias do título do mapa. No exemplo foi adicionado o título *Legenda*.
|
||||
Em seguida, é necessário selecionar a qual mapa a legenda se relaciona (neste caso, ao mapa 1).
|
||||
Em relação ao aranjo, selecionamos *simbolos à esquerda* (Figura 16).
|
||||
|
||||
|
||||
|
||||
Em relação aos itens da legenda, temos a modificação mais importante e substancial a ser feita. Aqui vamos selecionar e renomear (se necessário) aquilo que irá aparecer na impressão final.
|
||||
Se não queremos que apareça tudo o que estiver aparecendo até agora na legenda, deslececiona-se o "combo" `Atualização automática` (Figura 17).
|
||||
Em seguida, seleciona-se o item que será modificado, ou excluído. No exemplo, serão mantidos apenas os itens `app_Assenta_Car, Hrido_SL e Assentamento_SL`. que serão ainda editados. Para excluir os demais itens, os mesmos foram selecionados, e em seguida foi clicado no botão **-** na parte inferior da janela. Para editar (renomear) os itens que permanecem na legenda, basta clicar no mesmo, e em seguida no botão *editar* na parte inferior da janela.
|
||||
|
||||
|
||||
|
||||
#### Configuração da barra de escala
|
||||
A barra de escala geralmente também necessita de alterações, pois suas configurações depende do tamanho da área do mapa. O primeiro passo e certificar-se de que está relacionada ao mapa correto, neste caso, com o mapa 1. A escolha do estilo é muito próprio de cada um, e no exemplo foi selecionado o estilo de `linhas tracejadas do meio`.
|
||||
Em relação às unidades, podemos aqui trabalhar com metros, ou km. Foi escolhido a opção em Quilômetros, por ser mais adeuqada, mas a escolha depende de cada caso em específico. O mesmo é recomendado para as demais especificações. No exemplo, definiu-se por 2 segmentos à direita, a divisão em 0,5 unidades (0,5 km) (Figura 18).
|
||||
|
||||
.
|
||||
#### Configurações do Título
|
||||
A última configiração necessária para este mapa, é a fonte do título. Atribuimos fonte 12, além de fazer o alinhamento necessário para corresponder ao tamanho do mapa.
|
||||
|
||||
## Impressão do Mapa
|
||||
Para imprimir o mapa, temos a opção de imprimir em impressora, ou em formato pdf, SVG ou png. A opção, para inserir o impresso neste script, foi `APP impressão.png` (Figura 19) com resolução de 100 dpi (para não pesar muito).
|
||||
|
||||
|
||||
|
||||
|
||||
|
|
@ -0,0 +1,352 @@
|
|||
---
|
||||
title: "Cálculos da ocupação de áreas por indicadores específicos"
|
||||
author: "Adenor Vicente Wendling"
|
||||
date: "23/02/2021"
|
||||
output:
|
||||
html_document:
|
||||
toc: true
|
||||
---
|
||||
|
||||
```{r setup}
|
||||
knitr::opts_chunk$set(echo = TRUE)
|
||||
```
|
||||
|
||||
```{r}
|
||||
library(knitr)
|
||||
library(tidyverse)
|
||||
library(readr)
|
||||
```
|
||||
|
||||
# Introdução
|
||||
O presente script (tutorial), tem como finalidade demonstrar um método para calcular os dados das imagens do projeto doAssentamento SL.
|
||||
Quero calcular:
|
||||
`Porcentagem de APP `
|
||||
`Porcentagem de Mata Nativa`
|
||||
`Porcentagem de área para cada orientação`
|
||||
|
||||
## Calculo Porcentagem de cada altitude
|
||||
Para esse cálculo, será utilizado a Camada Raster `Altitude_SL`, que já está com dados da área do Assentamento.
|
||||
Da mesma forma como está representado na camada, será calculado a porcentagem para 10 grupos de altitudes.
|
||||
Para realizar o cálculo, segue-se os seguintes passos:
|
||||
1 - Na `Caixa de ferramentas de processamento` busco pelas opções, digitando "Report" na linha de busca.
|
||||
2 - Seleciona-se o comando `r.report`.
|
||||
3 - Na janela do será aberta (Imagem 1), seleciona-se o raster com o qual queremos realizar os calculos.
|
||||
|
||||
|
||||
|
||||
Ao clicar em `...`, abre-se uma nova janela (Imagem 2), com as camadas rasters do projeto, onde deve ser selecionada a camada correspondente. No exemplo, foi selecionado o raster `Altitude_SL`.
|
||||
|
||||
|
||||
|
||||
|
||||
As demais opções a serem selecionados aparecem na Imagem 1 e 3. Na opção `unidades` (figura 1) foi selecionado a opção **me** que calcula os dados em **metros quadrados**. Mas tem as opções de *h* para *hectares*, entre outras.
|
||||
Não opç~oes de comprimento e largura de págnina não é necessário alterar.
|
||||
Na opção `Número de subfaixas fp para coletar estatísticas de` é necessário selecionar o número de grupos a serem calculados. Para a altutude, como já mencionado acima, foram selecionados 10 grupos. No entanto, podem ser selecionados outros valores, de acordo com o interesse de cada projetista.
|
||||
No final da janela, na última linha, é necessário (importante) selecionar o caminho e definir o nome do arquivo de saída dos dados, que será em arquivo do tipo txt.
|
||||
Pronto. Estão definidas as especificações, e só resta clicar em executar, para rodar os cálculos.
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
O resultado será em formato .txt. que podem ser importados e manipulados aqui no R.
|
||||
|
||||
```{r}
|
||||
|
||||
Alt_estatistica <- read_delim("data/Alt_estatistica.txt", "|", escape_double = FALSE, col_names = FALSE,
|
||||
trim_ws = TRUE, skip = 4)
|
||||
#View(Alt_estatistica)
|
||||
```
|
||||
|
||||
|
||||
|
||||
Porém, é necessário manipular o nome das colunas, para ser possível trabalhar com os dados.
|
||||
|
||||
```{r, include=TRUE}
|
||||
|
||||
Altitude_SL<-Alt_estatistica%>%
|
||||
filter(X3=="from to . . . . . . . . . . . .")%>%
|
||||
select(X2,X4)%>%
|
||||
transmute(
|
||||
De_Ate=X2,
|
||||
Metro_Quad=X4,
|
||||
Ha=X4/10000,
|
||||
Porcentagem=X4/ sum(X4) *100,
|
||||
)%>%
|
||||
tidyr::separate(De_Ate, into=c("De","Até"), sep="-", remove="TRUE" )%>%
|
||||
mutate(
|
||||
Alt_Menor = as.numeric(De),
|
||||
Alt_Maior = as.numeric(Até)
|
||||
)
|
||||
view(Altitude_SL)
|
||||
```
|
||||
|
||||
|
||||
## A tabela com os dados
|
||||
|
||||
```{r kable_a_dados}
|
||||
|
||||
kable(Altitude_SL[ ,3:6 ],
|
||||
format = "simple",
|
||||
digits = 1,
|
||||
padding = 2,
|
||||
caption = "1 - Quantidade de metros quadrados de área de cada altitude, no assentamento Sâo Lourenço")
|
||||
```
|
||||
|
||||
Os dados são os seguintes: A menor área está em altitude de `r min(Altitude_SL$De_Ate)` metros acima do nível do mar (ANM) com `r min(Altitude_SL$Ha)` hectares de área, ou seja, **`r min(Altitude_SL$Porcentagem)`** porcento da área total.
|
||||
A maior área está em altitude de `r max(Altitude_SL$De_Ate)` ANM, com `r max(Altitude_SL$Ha)`ha de área, ou seja, `r max(Altitude_SL$Porcentagem)` porcento da área total.
|
||||
|
||||
```{r}
|
||||
Grafico1 <-ggplot(Altitude_SL, aes(x=Alt_Menor, y=Porcentagem))+
|
||||
geom_col(col="red",fill="blue" )+
|
||||
theme_bw()+
|
||||
theme(axis.text = element_text(
|
||||
size=12,
|
||||
face=3)
|
||||
)+
|
||||
xlab("Altitude (m)")
|
||||
|
||||
Grafico1 +ggtitle("Gráfico 1: Distribuição das terras de acordo com a altitude, no Assentamento São Lourenço")
|
||||
|
||||
```
|
||||
|
||||
# Dados de Orientação
|
||||
Os dados de orientação mostram para qual quadrante a área está inclinada.
|
||||
Será usado o arquivo raster `Orientacao_SL`, e a saída em txt gerada pelo comando `r.report` do Qgis.
|
||||
> Para a importação correta deste arquivo, deletei as linhas do cabeçalho em editor de texto.
|
||||
|
||||
```{r}
|
||||
Orient_NEst <- read_delim("data/Orient_NEst.txt",
|
||||
"|", escape_double = FALSE, col_names = FALSE,
|
||||
trim_ws = TRUE, skip = 1)
|
||||
View(Orient_NEst)
|
||||
```
|
||||
|
||||
|
||||
|
||||
Porém, é necessário manipular o nome das colunas, para ser possível trabalhar com os dados.
|
||||
|
||||
```{r, include=TRUE}
|
||||
|
||||
Altitude_SL<-Alt_estatistica%>%
|
||||
filter(X3=="from to . . . . . . . . . . . .")%>%
|
||||
select(X2,X4)%>%
|
||||
transmute(
|
||||
De_Ate=X2,
|
||||
Metro_Quad=X4,
|
||||
Ha=X4/10000,
|
||||
Porcentagem=X4/15215421*100,
|
||||
)%>%
|
||||
tidyr::separate(De_Ate, into=c("De","Até"), sep="-", remove="TRUE" )%>%
|
||||
mutate(
|
||||
Alt_Menor = as.numeric(De),
|
||||
Alt_Maior = as.numeric(Até)
|
||||
)
|
||||
view(Altitude_SL)
|
||||
```
|
||||
|
||||
|
||||
## A tabela com os dados
|
||||
|
||||
```{r kable_dados}
|
||||
|
||||
kable(Altitude_SL[ ,3:6 ],
|
||||
format = "simple",
|
||||
digits = 1,
|
||||
padding = 2,
|
||||
caption = "1 - Quantidade de metros quadrados de área de cada altitude, no assentamento Sâo Lourenço")
|
||||
```
|
||||
|
||||
Os dados são os seguintes: A menor área está em altitude de `r min(Altitude_SL$De_Ate)` metros acima do nível do mar (ANM) com `r min(Altitude_SL$Ha)` hectares de área, ou seja, **`r min(Altitude_SL$Porcentagem)`** porcento da área total.
|
||||
A maior área está em altitude de `r max(Altitude_SL$De_Ate)` ANM, com `r max(Altitude_SL$Ha)`ha de área, ou seja, `r max(Altitude_SL$Porcentagem)` porcento da área total.
|
||||
|
||||
```{r}
|
||||
Grafico1 <-ggplot(Altitude_SL, aes(x=Alt_Menor, y=Porcentagem))+
|
||||
geom_col(col="red",fill="blue" )+
|
||||
theme_bw()+
|
||||
theme(axis.text = element_text(
|
||||
size=12,
|
||||
face=3)
|
||||
)+
|
||||
xlab("Altitude (m)")
|
||||
|
||||
Grafico1 +ggtitle("Distribuição das terras de acordo com a altitude, no Assentamento São Lourenço")
|
||||
|
||||
```
|
||||
|
||||
# Dados de Orientação
|
||||
Os dados de orientação mostram para qual quadrante a área está inclinada.
|
||||
Será usado o arquivo raster `Orientacao_SL`, e a saída em txt gerada pelo comando `r.report` do Qgis.
|
||||
|
||||
```{r}
|
||||
Orient_NEst <- read_delim("data/Orient_NEst.txt",
|
||||
"|", escape_double = FALSE, col_names = FALSE,
|
||||
trim_ws = TRUE, skip = 1)
|
||||
#View(Orient_NEst)
|
||||
```
|
||||
|
||||
|
||||
```{r, include=TRUE}
|
||||
|
||||
Orient_NEst<-Orient_NEst%>%
|
||||
filter(X3=="from to . . . . . . . . . . . . .")%>%
|
||||
select(X2,X4)%>%
|
||||
transmute(
|
||||
De_Ate=X2,
|
||||
Metro_Quad=X4,
|
||||
Ha=X4/10000,
|
||||
Porcentagem=X4/15163779*100,
|
||||
)%>%
|
||||
tidyr::separate(De_Ate, into=c("De","Até"), sep="-", remove="TRUE" )%>%
|
||||
mutate(
|
||||
Orient_Menor = as.numeric(De),
|
||||
Orient_Maior = as.numeric(Até)
|
||||
)%>%
|
||||
arrange(Orient_Menor)
|
||||
|
||||
str(Orient_NEst)
|
||||
```
|
||||
|
||||
|
||||
## A tabela com os dados
|
||||
|
||||
```{r kable_b_dados alt}
|
||||
|
||||
kable(Orient_NEst[ ,6:3 ],
|
||||
format = "simple",
|
||||
digits = 1,
|
||||
padding = 2,
|
||||
caption = "1 - Quantidade de metros quadrados de área de cada altitude, no assentamento Sâo Lourenço")
|
||||
```
|
||||
|
||||
|
||||
|
||||
```{r}
|
||||
library(plotrix)
|
||||
|
||||
OrietNames<-c("N","NW","W","SW","S","SE", "E", "NE")
|
||||
OrientaHa<-Orient_NEst$Ha
|
||||
|
||||
radial.plot(OrientaHa,labels=OrietNames,rp.type="r",label.prop=1.1, main="Área (ha) conforme orientação, do assentamento São Lourenço",
|
||||
grid.unit="Ha",poly.col="green",radial.lim=c(0,250),show.grid.labels=1,
|
||||
line.col = "red", lwd=5, grid.col = "blue")
|
||||
|
||||
```
|
||||
|
||||
|
||||
# Capacidade de uso
|
||||
## segundo LEPSCH et al., 1991
|
||||
Para o calculo da declividade foi utilizado o arquivo topodata Decliv(B), que apresenta os dados conforme as Classes de capacidade de uso -definem o grau de limitação do uso (I, II, III, IV, V, VI, VII e VIII):
|
||||
|
||||
Classe I: terras cultiváveis, aparentemente sem problemas especiais de conservação;
|
||||
|
||||
Classe II: terras cultiváveis com problemas simples de conservação;
|
||||
|
||||
Classe III: terras cultiváveis com problemas complexos de conservação;
|
||||
|
||||
Classe IV: terras cultiváveis apenas ocasionalmente ou em extensão limitada, com sérios problemas de conservação;
|
||||
|
||||
Classe V: terras adaptadas em geral para pastagens e/ou reflorestamento, sem necessidade de práticas especiais de conservação, cultiváveis apenas em casos muito especiais;
|
||||
|
||||
Classe VIII: terras impróprias para cultura, pastagem ou reflorestamento, podendo servir apenas como abrigo e proteção da fauna e flora silvestre, como ambiente para recreação, ou para fins de armazenamento de água (LEPSCH et al., 1991).
|
||||
|
||||
### Buscando os dados
|
||||
```{r message = FALSE, echo = TRUE, comment=FALSE, warning=FALSE}
|
||||
|
||||
Declive_B<- read_delim("data/declive_b.txt",
|
||||
"|",
|
||||
escape_double = FALSE,
|
||||
col_names = FALSE,
|
||||
trim_ws = TRUE,
|
||||
skip = 4)
|
||||
View(Declive_B)
|
||||
```
|
||||
|
||||
|
||||
### organizando dados
|
||||
```{r, include=TRUE}
|
||||
|
||||
Declive_b<-Declive_B%>%
|
||||
filter(!is.na(X4))%>%
|
||||
select(X2,X4)%>%
|
||||
transmute(
|
||||
Classe=X2,
|
||||
Metro_Quad=X4,
|
||||
Ha=X4/10000,
|
||||
Porcentagem=X4/sum(X4)*100,
|
||||
)%>%
|
||||
arrange(Classe)
|
||||
|
||||
head(Declive_b)
|
||||
```
|
||||
|
||||
|
||||
### A tabela com os dados
|
||||
|
||||
```{r kable_b_dados declive}
|
||||
|
||||
kable(Declive_b,
|
||||
format = "simple",
|
||||
digits = 1,
|
||||
padding = 2,
|
||||
caption = "1 - Quantidade de metros quadrados de área de cada classe de declividade, no assentamento Sâo Lourenço")
|
||||
```
|
||||
|
||||
|
||||
## Segundo Embrapa 1999
|
||||
|
||||
Classe nº | Classe de relevo | Declividade (%)
|
||||
--------- | ---------------- | -------------------
|
||||
1 | Plano |0 – 3
|
||||
2 | Suave Ondulado | 3 – 8
|
||||
3 | Ondulado | 8 – 20
|
||||
4 | Forte Ondulado | 20 – 45
|
||||
5 | Montanhoso | 45 – 75
|
||||
6 | Escarpado | > 75
|
||||
|
||||
|
||||
### Buscando os dados
|
||||
```{r message = FALSE, echo = TRUE, comment=FALSE, warning=FALSE}
|
||||
|
||||
Declive_C<- read_delim("data/declive_c.txt",
|
||||
"|",
|
||||
escape_double = FALSE,
|
||||
col_names = FALSE,
|
||||
trim_ws = TRUE,
|
||||
skip = 4)
|
||||
View(Declive_C)
|
||||
```
|
||||
|
||||
|
||||
### organizando dados
|
||||
```{r, include=TRUE}
|
||||
|
||||
Declive_c<-Declive_C%>%
|
||||
filter(!is.na(X4))%>%
|
||||
select(X2,X4)%>%
|
||||
transmute(
|
||||
Classe=X2,
|
||||
Metro_Quad=X4,
|
||||
Ha=X4/10000,
|
||||
Porcentagem=X4/sum(X4)*100,
|
||||
)%>%
|
||||
arrange(Classe)
|
||||
|
||||
#head(Declive_c)
|
||||
```
|
||||
|
||||
|
||||
### A tabela com os dados
|
||||
|
||||
```{r}
|
||||
|
||||
kable(Declive_c,
|
||||
format = "simple",
|
||||
digits = 1,
|
||||
padding = 2,
|
||||
caption = "1 - Quantidade de metros quadrados de área de cada classe de declividade, conforme classificação da Embrapa (1991) no assentamento Sâo Lourenço")
|
||||
```
|
||||
|
||||
|
||||
|
|
@ -0,0 +1,53 @@
|
|||
---
|
||||
title: "Interpolaçao dedados de fertilidade"
|
||||
author: "Adenor Vicente Wendling"
|
||||
date: "28/07/2021"
|
||||
output: html_document
|
||||
bibliography: ../Fruti.bib
|
||||
csl: ../abnt.csl
|
||||
---
|
||||
# Introdução
|
||||
|
||||
>> Adenor - ver <http://www.qgistutorials.com/en/docs/3/creating_heatmaps.html> e
|
||||
o livro "QGIS Desktop 3.16 User Guide", pag 801.
|
||||
|
||||
|
||||
Com o avanço da tecnologia e do uso de ferramentos de georeferrenciamento e estatística, surge também a possibilidade de melhorar a capacidade de uso e interpretaçao de dados volumosos. Provém daí também a agricultura de precisão, onde existe uma forte dependência do conhecimento das condições climáticas e do solo, e, consequentemente do uso de ferramentas, como o QGIS, para auxiliar no uso dos dados.
|
||||
|
||||
Enquanto que na agricultura convencional pressupoẽ-se que as áreas de cultivo são uniformes numa mesma gleba, na agricultura de precisão busca-se as causas da variabilidade dos parâmetros do solo que influenciam a produtividade das culturas, dentro da mesma gelba @CQFSRS. Ou seja, na agricultura convencional pressupõe-se coletas de solo por gleba ou região homogenea, e na agricultura de precisão são realizadas amostras de solo georeferenciadas em inpumeros pontos desta mesma gleba ou área homogenea.
|
||||
|
||||
|
||||
É impossível (até o momento - julho 21) ter uma avaliacão perfeita do solo onde se cultivam as lavouras, sendo ainda usado uma amostragem espacial para caracterizar as características do solo. Quanto maior a capacidade de amostragem do solo, mais eficiente será a interpretação e uso dos dados, todavia, com as limitações ainda existentes, usa-se ferramentas para diminuir os erros decorrentes da falta da amostragem plena.
|
||||
|
||||
Com os dados das inúmeras amostras de solo georeferenciadas, gera-se os mapas de fertilidade através da interpolação de dados. São os assim chamados "mapas de calor".
|
||||
A interpolação de dados serve para eliminar o chamado “efeito mosaico” ou “efeito xadrez” na visualização de mapas temáticos. É o uso de uma equação matemática, para estimar um conjuto de dados separados no espaço, a partir de dados espaciais conehecidos. Ou seja, os dados conhecidos serão utilizados para estimar os dados enexistentes.
|
||||
|
||||
|
||||
Existem vários métodos de interpolaçao de dados, como a krigagem, o inverso do quadrado da distância, etc. Segundo @SILVA2008, "a krigagem faz uma descrição mais acurada da estrutura espacial dos dados e produz valiosa informação sobre a distribuição da estimativa do erro, por ser entendida como uma série de técnicas de análise de regressão que procura minimizar a variância estimada a partir de um modelo prévio, que leva em conta a dependência estocástica entre os dados distribuídos no espaço". A vantagem do métodod do "inverso do quadrado da distância" é ser mais fácil de ser utilizada.
|
||||
|
||||
O Qgis possui um renderizador de "mapa de calor" que pode ser usado para estilizar uma camada de ponto em um mapa de calor através de algoritmo de processamento @Gandhi2021.
|
||||
|
||||
Além disso, vários complementos estão disponíveis para o QGIS, além de sofwares/app para celulares.
|
||||
|
||||
Neste tutorial, a princípios será paresentado o uso método de estimação determinística do inverso do quadrado da distância.
|
||||
|
||||
# Passos para a interpolação
|
||||
Existem vários complementeos de interpolação no Qgis: interpolation pelo complemento "**Feature Grid Creator**
|
||||
## Elaboração do grid de amostragem
|
||||
* instalar o complemente **Feature Grid Creator**
|
||||
* Clique no botão "create a grid of trench or holes* (ou clique em vetor -Feature Grid Creator - create a grid of trench or holes )
|
||||
|
||||
>> Para mim foi necessário alterar a EPSG para um com UTM - usei a EPSG - 32722. Também foi solicitado selecinar a camada vetorial.
|
||||
|
||||
* Selecionar a distância entre os pontos de amostragem de sua preferência. Neste tutorial foi utlizado 100 metros entre os pontos, formando um grid de uma coleta por ha. Com este intervalo amostral seriam necessárias 1527 amostras.
|
||||
* Calcular as coordenadas geogŕaficas dos pontos amostrais: Com a calculadora de campo, define-se o nome da coordenada X, no formato decimal, com comprimento de 10 e precisão de 4 casas decimais. No Campo equação deve ser digitado **$x** e, com um clique em **Ok** estarão definidas as coordenadas X de cada ponto.
|
||||
Em seguida, para definir as coordenadas Y, procedo os mesmos passos, apenas alterando o nome, e no campo das equações digitando **$y**.
|
||||
|
||||
# Usando as ferramentas do QGIS
|
||||
|
||||
|
||||
|
||||
# Referências
|
||||
|
||||
|
||||
|
||||
|
|
@ -0,0 +1,301 @@
|
|||
---
|
||||
title: "Recomendações adubação macieira"
|
||||
author: "Adenor Vicente Wendling"
|
||||
date: "06/08/2021"
|
||||
output: html_document
|
||||
bibliography: ../Fruti.bib
|
||||
csl: ../abnt.csl
|
||||
---
|
||||
|
||||
Este documento tem como finalizade buscar uma recomendação adequada para a implantação e desenvolvimento da cultura da macieira na propriedade de IFPR, em Palmas.
|
||||
As características do solo e resultados da são:
|
||||
|
||||
Antes da recomendação, entretanto, será feita uma busca em literatura especializada, especialmente com uso de adubações orgânicas.
|
||||
|
||||
# Revisão
|
||||
Artigo de [@Miele2017] analisou o uso de super fosfato triplo, e concluiu que, se houve uma adubação de correção adequada na implantação, não há aumento de produtividade com a aplicação de fosfato durante os primeiros 10 anos de produção.
|
||||
[@DeSouza2013] estudaram uso de N e K²O com diversas dosagens na qualidade dos frutos mas as evidencias cosntatadas não me convenceram do seu benefício.
|
||||
|
||||
No Manual de adubação e calagem para o estado do Paraná [@PR2017] não há recomendação específica para a cultura da macieira. Por isso, a base para a recomendação será o Manual de Adubação e calagem para os estados do Rio Grande do Sul e Santa Catarina [@CQFSRS/SC2004].
|
||||
Neste manual diz: "Os fertilizantes fosfatado e potássico indicados na adubação de pré-plantio devem ser aplicados a lanço na área total e incorporados na camada de zero a 20 cm de profundidade", pg 249.
|
||||
|
||||
Para teores de fósforo de Baixo, que é o caso da análise em questão, a recomendação é de 100 kg de P2O5 por ha.
|
||||
Para teores de potássio alto, que é o caso desta análise, recomenda-se 25kg de potássio (K2O) por ha (tabela 1).
|
||||
|
||||
|
||||
É necessário anotar ainda que, na edição online da embrapa [@GilbertoNava2003] ainda constam as recomendações do manual de 1994, com dosagens muito superiores ao atual (2004).
|
||||
|
||||
```{r echo=FALSE, include=FALSE, warning=FALSE}
|
||||
library(readr)
|
||||
Resultanalise2021 <- read_csv2("data/Resultanalise2021.csv",
|
||||
skip = 4)
|
||||
View(Resultanalise2021)
|
||||
#head(Resultanalise2021)
|
||||
|
||||
library(dplyr)
|
||||
limpo<-Resultanalise2021%>%
|
||||
rename( Amostra = "Amostra",
|
||||
"Argila%" ="Argila_1",
|
||||
pH = "pH",
|
||||
P.mg="P",
|
||||
K.mg= "K mg k-1",
|
||||
Ca.cmol="Ca",
|
||||
Mg.cmol="Mg",
|
||||
Al.cmol="Al",
|
||||
Na.cmol="Na",
|
||||
MO.porcent="MO (%)",
|
||||
H_Al.cmol="H+ Al",
|
||||
K.cmol="K cmol",
|
||||
CTC.pH7="CTC pH7",
|
||||
CTC.efet="CTC efet",
|
||||
V="V%",
|
||||
m="m%")%>%
|
||||
dplyr::select(Amostra,
|
||||
"Argila%",
|
||||
pH,
|
||||
P.mg,
|
||||
K.mg,
|
||||
Ca.cmol,
|
||||
Mg.cmol,
|
||||
Al.cmol,
|
||||
Na.cmol,
|
||||
MO.porcent,
|
||||
H_Al.cmol,
|
||||
K.cmol,
|
||||
CTC.pH7,
|
||||
CTC.efet,
|
||||
V,
|
||||
m)%>%
|
||||
dplyr::filter(Amostra>0)%>%
|
||||
droplevels()
|
||||
|
||||
```
|
||||
|
||||
Na tabela abaixo constam as primeiras linhas da tabela de dados importada.
|
||||
```{r}
|
||||
head(limpo)
|
||||
```
|
||||
|
||||
|
||||
## Selecionar linhaa (amostra) de interesse
|
||||
|
||||
Foi definida a amostra abaixo para a análise.
|
||||
```{r digitar amostra, echo=FALSE, include=FALSE}
|
||||
#Digite aqui no script, o número da amostra a ser analisada
|
||||
AmostraAnalisar<-41
|
||||
|
||||
AmostraDefinida<-limpo%>%
|
||||
dplyr::filter(Amostra==AmostraAnalisar)%>%
|
||||
droplevels()
|
||||
|
||||
```
|
||||
|
||||
```{r}
|
||||
AmostraDefinida
|
||||
|
||||
```
|
||||
|
||||
# Interpretação da Análise
|
||||
## pH
|
||||
```{r}
|
||||
|
||||
if (AmostraDefinida$pH < 4.0 ){
|
||||
cat ("O pH é muito baixo")
|
||||
}else if (AmostraDefinida$pH > 4.0 & AmostraDefinida$pH < 4.4){
|
||||
cat ("O pH é baixo")
|
||||
}else if(AmostraDefinida$pH > 4.4 & AmostraDefinida$pH < 4.9){
|
||||
cat ("O pH é médio")
|
||||
}else if(AmostraDefinida$pH > 5.0 & AmostraDefinida$pH < 5.5 ){
|
||||
cat ("O pH é alto")
|
||||
}else{
|
||||
cat("O pH está muito alto")
|
||||
}
|
||||
|
||||
```
|
||||
|
||||
## Fósforo
|
||||
Interpretação para o fósforo disponível no solo (extraído por Melich - 1) para o estado do Paraná
|
||||
|
||||
```{r}
|
||||
library(formattable)
|
||||
Interp.P <- data.frame(
|
||||
Classe.P = c("Muito baixo",
|
||||
"Baixo",
|
||||
"Médio",
|
||||
"Alto",
|
||||
"Muito alto", "condição a evitar") ,
|
||||
"Argila<250" = c(6,12,18,24,120,120),
|
||||
"Argila250-400" = c(4,8,12,18,90,90),
|
||||
"Argila>400" = c(3,6,9,12,60,30),
|
||||
"Olerícolas"=c(2,20,50,100,300,300),
|
||||
"Florestais"=c(2,3,5,7,28,28),
|
||||
"Pastagem.Perene.Extensiva"=c(2,3,4,10,40,40))
|
||||
|
||||
Interp.P
|
||||
```
|
||||
### CLASSE p
|
||||
```{r eval=FALSE}
|
||||
C_P="indefinido"
|
||||
|
||||
if (AmostraDefinida$`Argila%` < 250){
|
||||
if(AmostraDefinida$P.mg < Interp.P[1,2]){
|
||||
C_P=(Interp.P[1,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[1,2] & AmostraDefinida$P.mg <Interp.P[2,2]){
|
||||
C_P=(Interp.P[2,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[2,2] & AmostraDefinida$P.mg <Interp.P[3,2]){
|
||||
C_P=(Interp.P[3,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[3,2] & AmostraDefinida$P.mg <Interp.P[4,2]){
|
||||
C_P=(Interp.P[4,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[4,2] & AmostraDefinida$P.mg <Interp.P[5,2]){
|
||||
C_P= (Interp.P[5,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[6,2]) {
|
||||
C_P= (Interp.P[6,1])
|
||||
}else (AmostraDefinida$`Argila%` > 250 & AmostraDefinida$`Argila%` <=400 ){
|
||||
if(AmostraDefinida$P.mg < Interp.P[1,3]){
|
||||
C_P=(Interp.P[1,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[1,3] &AmostraDefinida$P.mg <Interp.P[2,3]){
|
||||
C_P= (Interp.P[2,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[2,3] &AmostraDefinida$P.mg <Interp.P[3,3]){
|
||||
C_P= (Interp.P[3,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[3,3] &AmostraDefinida$P.mg <Interp.P[4,3]){
|
||||
C_P= (Interp.P[4,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[4,3] &AmostraDefinida$P.mg <Interp.P[5,3]){
|
||||
C_P= (Interp.P[5,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[6,3]) {
|
||||
C_P= (Interp.P[6,1])
|
||||
}else (AmostraDefinida$`Argila%` > 400 ){
|
||||
if(AmostraDefinida$P.mg < Interp.P[1,4]){
|
||||
C_P=(Interp.P[1,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[1,4] &AmostraDefinida$P.mg <Interp.P[2,4]){
|
||||
C_P= (Interp.P[2,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[2,4] &AmostraDefinida$P.mg <Interp.P[3,4]){
|
||||
C_P= (Interp.P[3,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[3,4] &AmostraDefinida$P.mg <Interp.P[4,4]){
|
||||
C_P= (Interp.P[4,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[4,4] &AmostraDefinida$P.mg <Interp.P[5,4]){
|
||||
C_P= (Interp.P[5,1])
|
||||
}else (AmostraDefinida$P.mg >Interp.P[6,4]) {
|
||||
C_P= (Interp.P[6,1])
|
||||
}else{
|
||||
C_P=("Aconteceu algum erro no código")
|
||||
}}}}
|
||||
|
||||
C_P
|
||||
```
|
||||
|
||||
|
||||
## Potássio
|
||||
```{r}
|
||||
Interp.K <- data.frame(
|
||||
Classe.K = c("Muito baixo",
|
||||
"Baixo",
|
||||
"Médio",
|
||||
"Alto",
|
||||
"Muito alto",
|
||||
"condição a evitar") ,
|
||||
"K.trocavel(cmol)" = c(0.06,0.12,0.21,0.45,0.45,0),
|
||||
"%.K.trocávelCTCpH7"=c(0.5,1,2,3,10,10),
|
||||
"Olerícolas"=c(0.15,.30,.45,1.2,1.2,0))
|
||||
Interp.K
|
||||
|
||||
```
|
||||
|
||||
# Recomendação para pré Plantio
|
||||
## Calcário
|
||||
### Pela Saturação (manual do paraná)
|
||||
```{r}
|
||||
AmostraDefinida<-AmostraDefinida%>%
|
||||
mutate(Calcario_PR=((.70-V)*CTC.pH7))
|
||||
|
||||
|
||||
#View(AmostraDefinida)
|
||||
#head(AmostraDefinida)
|
||||
```
|
||||
|
||||
|
||||
A quantidade de calcário a ser aplicado, se for PRNT 100%, é de `r (AmostraDefinida$Calcario_PR)`
|
||||
|
||||
A quantidade de calcário a ser aplicado, se for PRNT 75%, é de `r ((AmostraDefinida$Calcario_PR)/0.75)`
|
||||
|
||||
### Pelo SMP (Manual de SC e RS)
|
||||
Esta análise não contém o indice SMP.
|
||||
|
||||
## Fósforo e Potássio
|
||||
### Tabela de recomendação Paraná
|
||||
```{r}
|
||||
|
||||
Classes.fert <- data.frame(
|
||||
Classe = c("Muito baixo",
|
||||
"Baixo",
|
||||
"Médio",
|
||||
"Alto",
|
||||
"Muito alto") ,
|
||||
"Fósforo.kg.P2O5.ha" = c(130,100,100,75,70),
|
||||
"Potássio.kg.K2O.ha" = c(50,40,25,0,0),
|
||||
"Borax.kg.ha" = c(030,30,30,30,30))
|
||||
|
||||
# Classes.fert
|
||||
```
|
||||
|
||||
|
||||
```{r}
|
||||
FaixaArgila<-matrix (c("<21", 4,"21 a 39,99",3, "41 a 60",2, "< 60",1), ncol=2, byrow=TRUE)
|
||||
rownames(FaixaArgila)<-c("a", "b", "c", "d")
|
||||
colnames(FaixaArgila)<- c("Argila % no solo" , "Classe Argila")
|
||||
FaixaArgila<-as.table(FaixaArgila)
|
||||
FaixaArgila
|
||||
|
||||
```
|
||||
|
||||
```{r}
|
||||
FaixaMO<-matrix (c("<2,5", "Baixo","2,6 a 5,0","Médio", "> 5", "Alto"), ncol=2, byrow=TRUE)
|
||||
rownames(FaixaMO)<-c("a", "b", "c")
|
||||
colnames(FaixaMO)<- c("%MO.solo" , "Classe.MO")
|
||||
FaixaMO<-as.table(FaixaMO)
|
||||
FaixaMO
|
||||
```
|
||||
|
||||
|
||||
|
||||
```{r}
|
||||
FaixaCTC7<-matrix (c("<5", "Baixo","5 a 15,0","Médio", "> 15", "Alto"), ncol=2, byrow=TRUE)
|
||||
rownames(FaixaCTC7)<-c("a", "b", "c")
|
||||
colnames(FaixaCTC7)<- c("CTC.cmolc/dm3.solo" , "Classe.CTCpH7")
|
||||
FaixaMO<-as.table(FaixaCTC7)
|
||||
FaixaCTC7
|
||||
```
|
||||
|
||||
|
||||
## Recomendação
|
||||
|
||||
# Recomendação para adubação de crescimento
|
||||
Na adubação de crescimento, (até o terceiro ano, inclusive) a recomendação é a aplicação de N apenas. No primeiro ano, recomenda-se a8 kg de N, aplicados em três parcelas, sendo a primeira logo apos a brotação, a segunda 45 dias após a primeira, e a terceira 45 dias após a segunda.
|
||||
No segundo ano altera-se a dosagem para 27 kg de N, e a primeira aplicação deve ser no inchamento das gemas, e as outras duas com intervalo de 45 dias.
|
||||
No terceiro ano, muda-se a dose para 36 kg, com a seguência igual ao segundo ano.
|
||||
|
||||
# Adubação de Manutenção
|
||||
Os nutrientes e as quantidades a serem aplicadas devem ser estabelecidos pela análise conjunta dos seguintes parâmetros: análise de folhas e de frutos, análise periódica de solo, idade das plantas, crescimento vegetativo, sistema de plantio e de condução, adubações anteriores, produção, exportação de nutrientes pela produção, tratos culturais, distúrbios nutricionais e presença de sintomas de deficiência ou de toxidez.
|
||||
|
||||
Caso seja utilizado adubo orgânico, deve-se considerar que quantidades excessivas de N e de K prejudicam a qualidade das maçãs, predispondo-as a distúrbios fisiológicos e diminuindo sua conservabilidade, além de deixar as plantas mais suscetíveis ao ataque de doenças e de pragas.
|
||||
|
||||
O adubo orgânico deve ser aplicado aproximadamente 30 dias antes do início da brotação.
|
||||
|
||||
|
||||
## Uso de gesso para adicionar Calcio
|
||||
"A aplicação de 1t/ha de gesso com 15% de umidade adicionaaproximadamente 200kg de cálcio, 160kg de enxofre e 8kg de fósforo naforma de P2O5. A quantidade de cálcio adicionada, neste caso, eleva o seuteor na camada de solo entre zero e 20cm em cerca de 0,5meq/100g desolo (0,5cmolc/kg). Esta informação é básica para se estimar a quantidadede gesso necessária para melhorar a relação cálcio:magnésio em soloscujo pH já foi anteriormente elevado pela calagem."[@Nuernberg2005].
|
||||
Segundo apresentado no mesmo documento, o uso de 25%a 30% da dosagem de calcário, para melhorar a relação cálcio:magnésio sem elevar o pH e parasolos cujas camadas inferiores apresentam teores baixos de cálcio eelevados de Al.
|
||||
|
||||
|
||||
Já no manual de SC [@CQFSRS/SC2004] indica que são necessários aplicar 3 t de gesso para elevar 1 cmolc dm-³ de 0 a 20 cm de solo, por ha.
|
||||
|
||||
No estudo realizado em Pato branco, por [@Danner2009] foram utilizados 80 kg de Ca+ aplicados através de diferentes fontes: cloreto de cálcio; gesso agrícola; nitrabor®; cal hidratada e borra de celulose. Os resultados foram idênticos para todos os fertilizantes, tendo o gesso apresentado a vantagem de aumentar o teor de Ca tamém na profundidade de 15 a 30 cm.
|
||||
Nos resultados é relatado o aumento de aproximadamente 1 cmolc dm-³ para os 80 kg aplicados ( de 6.5 para 7,69 cmolc dm-³).
|
||||
|
||||
No caso da nossa análise, temos uma concentração de Ca de 3.88 cmolc dm-³. Para elevar esta concentração para 7 (teremos uma relação de 2:1, sendo que o ideal é que seja 3:1), pecisamos 3x a dose do estudo relatado acima.
|
||||
|
||||
Assim, temos necessidade de aplicar 240 kg de Ca+ através de fertilizantes com este mineral. Utilizando-se o Gesso, que possui de 16 a 20% de Ca, vavos precisar de **`r 1 * 240/160` t de gesso agrícola**.
|
||||
|
||||
|
||||
# Referências
|
||||
|
||||
|
||||
|
|
@ -0,0 +1,105 @@
|
|||
---
|
||||
title: "Formatar TCC"
|
||||
author: "Adenor Vicente Wendling"
|
||||
date: "04/03/2021"
|
||||
output: html_document
|
||||
---
|
||||
|
||||
```{r setup, include=FALSE}
|
||||
knitr::opts_chunk$set(echo = TRUE)
|
||||
```
|
||||
|
||||
Para baixar estilos de referências: <https://www.zotero.org/styles?q=abn>
|
||||
|
||||
No YAML
|
||||
Incluir o .bib e o .csl da bibliografia no cabeçalho YAML do documento:
|
||||
|
||||
bibliography: ../citation/refs.bib
|
||||
csl: ../citation/nature.csl
|
||||
|
||||
no texto... Citar usando o formato: [@sobrenome_primeirapalavra_ano] (olhar no zotero ou no mendeley a chave de citação)
|
||||
|
||||
|
||||
No texto, a citação é marcada assim: @sobrenome_palavrachave_ano
|
||||
Ex. [@dignazio_data_2020] -> (D'Ignazio & Klein 2020)
|
||||
Ex. @dignazio_data_2020 -> D'Ignazio & Klein (2020)
|
||||
Ex. [@noble_algorithms_2018, @dignazio_data_2020] -> (Noble 2018, D'Ignazio & Klein 2020)
|
||||
Para que usa mendeley @@Sanchez2009
|
||||
Se precisar colocar as referencias que não no final, (por ex. porque tem apéndices, figuras, tabelas) Incluir:
|
||||
<div id="refs"></div>
|
||||
|
||||
* pacotes bookdown e thesisdown
|
||||
|
||||
Permite juntar vários .Rmd em um PDF único e incluir índice, referências...
|
||||
|
||||
thesisdown: Pacotes específicos para templates das universidades : variações são outros pacotes, ex. coppedown, ufscdown
|
||||
|
||||
.Rmd com cabeçalhos e templates de LATEX
|
||||
|
||||
# pagedown
|
||||
|
||||
paginação (separar em páginas) dos documentos de html
|
||||
|
||||
um passo direto de html a PDF
|
||||
|
||||
formata com templates CSS, e modelos .html
|
||||
|
||||
para documentos acadêmicos: pagedown::thesis_paged()
|
||||
|
||||
precisa editar o html e o CSS para fazer documentos em outra língua
|
||||
|
||||
|
||||
# exportando para .docx
|
||||
|
||||
Um documento de referência pro estilo: "template_word.docx" com os estilos desejados modificados (à mão desde word)
|
||||
|
||||
No cabeçalho YAML:
|
||||
|
||||
word_document:
|
||||
reference_docx: templates/template_word.docx
|
||||
|
||||
Para melhores resultados, é melhor knitar uma vez sem template, modificar o documento resultante e usar esse documento resultante como template.
|
||||
|
||||
Alguns problemas com tabelas, páginas horizontais, vão persistir checar bem!
|
||||
|
||||
Para documentos .odt igual:
|
||||
**reference_odt: my-styles.odt**
|
||||
|
||||
|
||||
# exportando para PDF
|
||||
|
||||
Tudo relacionado a PDF tem a ver com LATEX
|
||||
|
||||
.rmarkdown aceita marcação de LATEX no corpo do texto (ex. \newpage)
|
||||
Templates e opções de LATEX
|
||||
|
||||
no YAML
|
||||
|
||||
Premite guardar o arquivo .tex intermediário
|
||||
|
||||
output:
|
||||
pdf_document:
|
||||
template: quarterly-report.tex
|
||||
keep_tex: true
|
||||
header_includes:
|
||||
- \
|
||||
|
||||
Se for um template complexo pode ser mais fácil escrever diretamente em LATEX
|
||||
|
||||
. Mesmo fluxo de trabalho
|
||||
|
||||
# lidando com capítulos
|
||||
|
||||
O mais simples: um .Rmd com documentos "filhos"
|
||||
|
||||
ex. child = 'introducao.Rmd' nas opções de um chunk vazio
|
||||
|
||||
Permite manter estrutura de pastas/capítulos organizada
|
||||
|
||||
Funciona com os formatos de saída
|
||||
|
||||
Requer de atenção com relação aos cabeçalhos YAML! (depende do formato de saída e depende da estrutura dos documentos)
|
||||
|
||||
Vamos para Tese.Rmd na pasta docs
|
||||
|
||||
|
||||
|
|
@ -0,0 +1,44 @@
|
|||
---
|
||||
title: "Imagens Sentinel Calculo NDVI"
|
||||
author: "Adenor Vicente Wendling"
|
||||
date: "24/07/2021"
|
||||
output: html_document
|
||||
---
|
||||
|
||||
```{r setup, include=FALSE}
|
||||
knitr::opts_chunk$set(echo = TRUE)
|
||||
```
|
||||
O objetivo deste script é baixar e usar imagens de satélite, nos satélites da geração sentinel, para cálculo do NDVI -
|
||||
|
||||
A base para o tutorial é o curso de "Geoprocessamento e QGIS aplicados na agricultura de precisão" do Udemy cursos.
|
||||
|
||||
# NDVI - índice de vegetação por diferença normalizada
|
||||
É gerado a partir da equação: *NDVI = (nir/red)/(nir+red)*, em que red é a refletância da banda do vermelho, e nir é a refletância da banda do infravermelho próximo.
|
||||
É uitilizado para medir a intensidade da clorofila nas plantas e também para monitoramento da lavoura. Tudo isso, de maneira remota.
|
||||
|
||||
Os valores do NDVI variam de -1 a +1. Quanto mais próximo de +1, maior é a inten sidade da clorofila da planta.
|
||||
|
||||
# Acessar o bando de mapas.
|
||||
Para acessar os mapas/imagens do satélite sentinel, acesse o site <https://www.sentinel-hub.com/explore/eobrowser/> e clique em 'star exploring'.
|
||||
Vai abrir a tela incial do explorador de imagens, conforme imagem 1.
|
||||
|
||||
|
||||
|
||||
No primeiro acesso, é necessário fazer o cadastro para o login. Fiz meu via 'cre@dias', com facilidade. Não há custos para isso.
|
||||
|
||||
No painel à direita devemos selecionar o satélite (sentinel2), a tipo de imagem (L2A) e o período de busca de imagens.
|
||||
|
||||
As imagens do sentinel são geradas a caada 5 dias. Por isso, dependendo do intervalo selecionado acima, serão apresentadas inúmeras imagens. dentre essas você deve selecionar aquela de interesse, tomando o cuidado principalmente em relação à nebulosidade. Quando há nuvens, os dados estarão com erro.
|
||||
Depois de escolhida a imagem, você pode demarcar a área de interesse, clicando sobre o loasando localizado ao alto, na extremidade direita da tela, e depois no lápis, para demarcação.
|
||||
Demarcada, clique no botão em donwload image, e escolha as seguintes configurações, conforme imagem 2.
|
||||
|
||||
|
||||
|
||||
Depois de baixadas, descompacte, e insira as camadas no projeto do QGIS.
|
||||
|
||||
## Calculo do NDVI
|
||||
A NDVI é calculada pela formula *(nir/red)/(nir+red)*, seguindo os seguintes passos:
|
||||
Clique em **Raster** no menu da barra de ferramentas, depois em *calculadora raster*;
|
||||
|
||||
|
||||
|
||||
|
|
@ -0,0 +1,181 @@
|
|||
---
|
||||
title: "Informativo_TESTE_WRITE"
|
||||
author: "Adenor Vicente Wendling"
|
||||
date: "04/03/2021"
|
||||
output:
|
||||
odt_document:
|
||||
referencia_odt: my_styles2.odt
|
||||
bibliography: ../../../citation/Assentamento.bib
|
||||
csl: ../ABNT_IFPR.csl
|
||||
always_allow_html: yes
|
||||
abstract: |
|
||||
aqui digite o resumo
|
||||
---
|
||||
|
||||
```{r setup, include=FALSE }
|
||||
knitr::opts_chunk$set(echo = TRUE, include=FALSE, message=FALSE)
|
||||
```
|
||||
|
||||
```{r include=FALSE}
|
||||
#install.packages("remedy")#para auxiliar na digitação ex.: ctrl + b -> negrito ctrl + i -> italico ctrl + k -> link ctrl + 1 -> h1 (cabeçalho 1) ctrl + 2 -> h1 (cabeçalho 2) ctrl + r -> insertar chunk de código!
|
||||
#install.packages("kableExtra") # para inserir tabela
|
||||
require(kableExtra)
|
||||
library(plotrix)
|
||||
library(knitr)
|
||||
library(tidyverse)
|
||||
library(readr)
|
||||
|
||||
```
|
||||
|
||||
<https://liibre.github.io/Latin-R/#1>
|
||||
|
||||
|
||||
<https://www.rosannavanhespen.nl/2016/02/16/writing-your-thesis-with-r-markdown-1-getting-started/>
|
||||
|
||||
|
||||
# 1 INTRODUÇÃO
|
||||
|
||||
O assentamento São Lourenço foi criado em 1999, quando foram assentadas 58 famílias no local. Mas, como mostra uma reportagem do jornal “TribunaPR (2003)”, ainda no ano de 2003 a maioria dos moradores ainda não havia recebido sua documentação de regularização fundiária dos estabelecimentos, correndo inclusive o risco de perderem suas terras. Segundo relatos nas reuniões, atualmente existem aproximadamente 50 famílias residindo nos assentamentos, mas houve várias trocas de moradores, ou seja; nem todas as famílias inicialmente assentadas estão residindo nos assentamentos.
|
||||
|
||||
|
||||
Estas trocas e abandonos podem provir da falta de opções de atividades que possam gerar renda para as famílias, além da distância da centro urbano e dada dificuldade de adaptação ao novo ambiente.
|
||||
|
||||
|
||||
Durante as conversas rápidas mantidas pelo grupo de servidores do IFPR com os moradores do assentamento, e na busca bibliográfica, não foi identificado nenhuma ação de planejamento coletivo para diagnosticar as opções de atividades que pudessem ser exploradas no local, tampouco um levantamento detalhado das características específicas que pudesse embasar tal diagnóstico.
|
||||
|
||||
|
||||
Não significa, entretanto, que não tenham sido realizadas iniciativas ou fomentados projetos dos mais variados, e por iniciativa de diversas entidades. Aliás, como foi relatado pelos assentados, vários projetos foram iniciados e se mostraram inviáveis, por vários motivos: falta de assistência técnica, falta de recursos financeiros, entre outros, falta de conhecimentos, baixa produtividade, etc.
|
||||
|
||||
|
||||
Para embasar um bom planejamento agropecuário, é necessário adotar boas práticas de planejamento, preferencialmente participativo, e ter um bom conhecimento das condições específicas da área. Entre as características sensíveis para a definição de atividades agropecuárias, podem ser enumeradas: fertilidade do solo, declividades do terreno, classes de aptidão do solo, pluviosidade, ventos predominantes, ocorrência de geadas, temperaturas máximas, mínimas e médias, etc. Muitas destas informações são acessíveis e disponibilizadas pelo IAPAR, IBGE, Exercito, Universidades, geralmente em âmbito municipal. Para conhecer as características específicas dos solos, entretanto, é necessário que se faça uma série de análises de sua fertilidade, , em locais adequadamente selecionados de acordo com a inclinação do terreno, tipo de vegetação, manejo dos últimos anos, etc.
|
||||
|
||||
Para tanto, este trabalho prevê a necessidade de realizar análises básicas de solo de diferentes áreas do assentamento, e a composição de mapas temáticos das características dos solos. Uma das hipóteses é que que existe uma grande heterogeneidade das fertilidades do solo, além da maioria apresentar pH baixo e deficiência de vários minerais.
|
||||
Desta forma, o objetivo deste estudo, é coletar as informações disponíveis em forma digital nos sites especializados, bem como coletar e analisar 150 amostras de solos e a partir destes dados realizar análises e construir mapas temáticos com as características climáticas e do solo do Assentamento São Lourenço, de Palmas, PR.
|
||||
|
||||
# 2 OBJETIVOS
|
||||
|
||||
## 2.1 OBJETIVO GERAL
|
||||
Criar mapas temáticos e criar um banco de dados sobre: fertilidade do solo; ventos predominantes; declividade e curvas de nível da área, através dos softwares livres “Qgis” e “R”.
|
||||
|
||||
## 2.2 OBJETIVOS ESPECÍFICOS
|
||||
- Buscar os dados e mapas disponíveis na internet que abrangem a área do assentamento São Lourenço;
|
||||
- Coletar 150 amostras de solo, georreferenciados (três amostras por morador);
|
||||
- Realizar a análise química e física das amostras do solo no laboratório;
|
||||
- Utilizar os mapas e o banco de dados para embasar futuros planejamentos de atividades agropecuárias para o assentamento.
|
||||
|
||||
# 3 JUSTIFICATIVA
|
||||
No início de 2020 foi submetido o projeto ‘Diagnóstico e planejamento participativo dos assentamentos Paraíso do Sul, Margem do Iratim, São Lourenço, localizados no Município de Palmas/PR” ao edital de seleção de projetos de seleção no âmbito do IFPR. O projeto foi aprovado, porém os cuidados necessários para com a pandemia da COVID19 inviabilizam sua execução total no período atual.
|
||||
|
||||
O projeto aprovado prevê a realização de análises do solo nos estabelecimentos rurais dos assentamentos como parte do diagnóstico, e posterior elaboração de mapas temáticos com esses dados, para subsidiar o planejamento participativo e a priorização de atividades agropecuárias a serem fomentadas.
|
||||
|
||||
|
||||
Tendo em vista a pandemia da COVID as atividades da elaboração do orçamento participativo estão suspensas. Enquanto isso não for possível, será efetuado a coleta, análise, interpretação e elaboração dos mapas temáticos, que posteriormente farão parte do projeto global. Mas, independentemente da realização das atividades de planejamento, que prevê reuniões com participação de público, os dados coletados, analisados e interpretados, serão base para elaboração de documentos, além de subsidiar possíveis orientações de políticas públicas de projetos a serem executados nestes assentamentos.
|
||||
|
||||
# 4 REVISÃO DA LITERATURA
|
||||
Várias alternativas para diminuir os custos ambientais e financeiros, sem comprometer a oferta de alimentos para a população, têm sido testadas nos últimos anos, entre as quais mencionamos: redução e otimização do uso de fertilizantes minerais, especialmente do N (O’BRIEN, GEOGHEGAN, et al., 2016); diminuição da renovação das pastagens para evitar a perda de C orgânico do solo (SCHILS, VERHAGEN, et al., 2005), manejo rotativo racional das pastagens como forma de elevar produtividade e aumentar estoque de C orgânico (CONANT, SIX, et al., 2003, SEÓ, MACHADO FILHO, et al., 2017), SILP (MACEDO, 2009), substituição de adubo químico por orgânico (SANTOS, CASTAGNARA, et al., 2014), o plantio direto (PD), e os sistemas polifíticos (STEINBEISS, BESSLER, et al., 2008).
|
||||
Ao mesmo tempo, cresce rapidamente o uso da tecnologia de informação para análise, interpretação e comunicação das informações, tanto entre pessoas, quanto entre máquinas, e desta forma evitar desperdícios, e alcançar melhores resultados e produtividade, sem comprometer o meio ambiente (CÂMARA, 1996).
|
||||
|
||||
O uso de softwares para o geoprocessamento de imagens de satélites (Gis) vem sendo muito uteis na análise, interpretação e comunicação dos dados na agricultura. Vem sendo amplamente utilizado para elaborar, por exemplo, mapas temáticos de fertilidade de solo, distribuição geográfica dos solos, condições climáticas, entre outros. A importância de conhecer as características do solo vem sendo reconhecido nos últimos anos, tanto para o aumento da produção, quanto para a regulação ambiental @CORTE2020 (CORTE, SILVA, et al., 2020, SANCHEZ, AHAMED, et al., 2009).
|
||||
No mesmo artigo, @Sanchez2009 (SANCHEZ, AHAMED, et al., 2009) citam vários exemplos da importância e benefícios do uso de ferramentas de GIS para auxiliar na interpretação dos dados dos solos em escala macro. Os autores ainda definem que um mapa digital do solo é essencialmente um banco de dados espacial das características do solo, baseado em estatística tipicamente de paisagem. Para isso, são coletadas amostras de solo a campo, e analisadas em laboratórios. Estes dados são utilizados para predizer a distribuição espacial das características do solo em uma determinada região ou característica conhecida.
|
||||
|
||||
|
||||
|
||||
Sempre é necessário lembra que a agropecuária é responsável por uma grande quantidade da emissão de gases, além de ter participação na eutrofização das águas, na perda da fertilidade do solo e na perda da diversidade (BUTCHART, WALPOLE, et al., 2010, GERBER, STEINFELD, et al., 2013). Por isso, o uso de tecnologias que possam diminuir esses problemas, sempre será muito desejado pela sociedade. E é isso que os sistemas GIS oferecem.
|
||||
|
||||
|
||||
Vários trabalhos acadêmicos e científicos mostram a utilidade, benefícios e eficiência do uso de softwares de gestão de dados geográficos para a elaboração de mapas temáticos das características dos solo. Um exemplo, é uma trabalho realizado no estado da Paraíba, com o objetivo de mapear as classes de solo de duas microrregiões da Paraíba. No trabalho, apresentado. Uma das conclusões do estudo a identificação da heterogeneidade nos resultados expressos nos mapas, devido à diferença de clima, relevo, vegetação, altitude entre outros fatores (SILVA, NASCIMENTO, et al., 2019).
|
||||
Outro estudo, mais avançado e detalhado, foi realizado na região dos vinhedos (SARMENTO, FLORES, et al., 2008), e mostra a grande capacidade de produção de mapas, com informações de grande importância para a agricultura.
|
||||
|
||||
# 5 METODOLOGIA
|
||||
## 5.1 – Coleta e análise do solo
|
||||
O solo será coletado na profundidade de 0 a 0,20 m, com trado tipo holandês, com 10 subamostras amostra. O solo coletado será seco ao ar livre, destorroado e analisado no laboratório de solos da IFPR em Palmas para determinação de: pH, índice SMP, Ca e Mg, P, K, carbono orgânico total (COT) e matéria orgânica (MO). O método utilizado para avaliação dos atributos químicos está descrito em (EMBRAPA, 2009), e é especificado a seguir. O Ca e Mg serão extraídos pelo método KCl e determinado pelo método de espectrofotometria. A extração de P e K será com solução de Mehlich-1. A determinação da concentração de P será em Spectrophotometer V-1600, segundo (MURPHY, RILEY, 1962) e de K foi em fotômetro de chama. Os teores de COT serão quantificados pelo método de oxidação via úmida, com aquecimento externo, conforme descrito por (YEOMANS, BREMNER, 1988). Os teores de MO serão determinados multiplicando-se os valores de COT por 1.724 (NELSON, SOMMERS, 1982). As análises químicas serão em duplicatas, e amostras com erro e outsiders serão repetidas.
|
||||
|
||||
## 5.2 Análise dos dados
|
||||
s dados das análise dos solo serão analisados e interpretadas com o auxilio do software Qgis. Para uma melhor interpretação, serão importados dados públicos sobre a declividade, inclinação, altitude, tipo de solo, pluviosidade, e interpolados com os resultados das análises do solo. Os dadas serão buscados em “ftp://geoftp.ibge.gov.br/cartas_e_mapas/”, https://bdgex.eb.mil.br/mediador/index.php?modulo=login&acao=entrar, (FOREST, 2020), etc. Com esta interpolação, serão construídos os mapas temáticos, extrapolando os dados dos pontos coletados para toda a área do assentamento.
|
||||
Na figura 1 estão representadas as curvas de nível do assentamento São Lourenço. Os dados para a elaboração deste mapa constam no site do exército, e as delimitações do assentamento em arquivos disponibilizados pelo INCRA. A altitude, conforme identificado na figura 1, varia de 1060 a 1180m, e a área do assentamento é de 15,254 km².
|
||||
Já na figura 2 estão representados os tipos de solos, e a declividade do assentamento São Lourenço, com uma resolução de 1:250.000. esta resolução é muito grande e não permite identificar pequenas variações existentes na área do assentamento, mas possibilita identificar especialmente as características gerais da área.
|
||||
|
||||
# 6 CRONOGRAMA
|
||||
|
||||
Tabela 1 – Descrição das atividades, período de realização e responsável pela realização, do projeto.
|
||||
|O Quê| Quem| Quando |Como |
|
||||
|-:|-:|-:|-:|
|
||||
|Planejar locais de coleta|Adenor|Outubro 2020|Análise mapas|
|
||||
|Informar público alvo|Adenor/Orientador|Outubro 2020|Rádio, rede local informal|
|
||||
|Coleta das amostras|Bolsista/Adenor|Novembro 2020|Recomendações do manual|indicação de dados geográficos|
|
||||
|Análise do solo em laboratório|Bolsistas|Novembro/dez 2020|Conforme manual Embrapa|
|
||||
|Análise dos dados coletados|Equipe|Janeiro/Fev. 2021|Estatística descritiva, interpolação, gradientes|
|
||||
|Produção dos mapas temáticos|Adenor|Março 2021|Uso do Qgis|
|
||||
|Elaboração documentos final, com descrição, analise dos dados e mapas|Equipe|
|
||||
Abril a julho 2021|Para publicar em boletim ou congresso.|
|
||||
|
||||
|
||||
# 7 ORÇAMENTO
|
||||
|
||||
|
||||
```{r, include=TRUE, echo=FALSE}
|
||||
|
||||
Orcamento = data.frame(Descrição = c("Reagentes para análises do solo","Despesas com viagens ao assentamento", "Bolsa estudo", "Impressão material relatório final", "Soma"), Quantidade = c(150,5,12,50, "-"),Preço_unitário = c("R$ 5,00", "R$ 100,00", "R$ 400,00", "R$ 4,00", "-"), Valor_Total=c("R$ 750.00", "R$ 500.00", "R$ 1200.00", "R$ 200,00", 500.00+ 1200.00+200.00+ 750.00))
|
||||
#Orcamento
|
||||
kbl(Orcamento, caption = "Tabela 2 - Orçamento para realização do projeto", booktabs = T) %>%
|
||||
#kable_styling(latex_options = "striped")
|
||||
kable_styling(latex_options = c("striped", "scale_down"))%>%
|
||||
column_spec(1, width = "12cm")
|
||||
```
|
||||
|
||||
|
||||
Os recursos descritos como fonte de origem “Projeto”, são provenientes do convênio/projeto aprovado…… As despesas com a análise do solo serão em parte realizados com utilização dos reagentes oriundos do laboratório de solos, adquiridos com recursos ordinários do IFPR, como contrapartida.
|
||||
Os recursos para a despesa de viagens ao assentamento foram oferecidos como contrapartida do IFPR para a realização do convênio.
|
||||
|
||||
# Características do relevo no assentamento
|
||||
|
||||
## Dados das altitudes
|
||||
O dados das altitudes são provenientes do arquivo raster fornecido pelo site "Topodata". A Partir do arquivo raster `Altitude_SL`, foi recortado a área pertencente ao assentamento, e calculados os indices a seguir para 10 grupos de altitudes.
|
||||
|
||||
|
||||
```{r, echo=FALSE, message=FALSE, include=TRUE, warning=FALSE}
|
||||
|
||||
Alt_estatistica <- read_delim("data/Alt_estatistica.txt", "|", escape_double = FALSE, col_names = FALSE,
|
||||
trim_ws = TRUE, skip = 4)
|
||||
```
|
||||
|
||||
|
||||
|
||||
```{r, echo=FALSE, message=FALSE, include=TRUE}
|
||||
|
||||
Altitude_SL<-Alt_estatistica%>%
|
||||
filter(X3=="from to . . . . . . . . . . . .")%>%
|
||||
select(X2,X4)%>%
|
||||
transmute(
|
||||
De_Ate=X2,
|
||||
Metro_Quad=X4,
|
||||
Ha=X4/10000,
|
||||
Porcentagem=X4/15215421*100,
|
||||
)%>%
|
||||
tidyr::separate(De_Ate, into=c("De","Até"), sep="-", remove="TRUE" )%>%
|
||||
mutate(
|
||||
Alt_Menor = as.numeric(De),
|
||||
Alt_Maior = as.numeric(Até)
|
||||
)
|
||||
#view(Altitude_SL)
|
||||
```
|
||||
|
||||
Na tabela 2 constam os dados da altitude da área de terra do Assentamento, divididas em 1 grupos, com as altitudes variando de 1067 a 1198 metros acima do nível do mar, e as respectivas porcentagens e área pertencentes ao grupo.
|
||||
|
||||
```{r kable_a_dados, echo=FALSE, include=TRUE}
|
||||
|
||||
kable(Altitude_SL[ ,3:6 ],
|
||||
format = "simple",
|
||||
digits = 1,
|
||||
padding = 2,
|
||||
caption =("Tabela 2 - Quantidade de metros quadrados de área de cada altitude, no assentamento Sâo Lourenço"))
|
||||
```
|
||||
|
||||
|
||||
A menor área está em altitude de `r min(Altitude_SL$De)` metros acima do nível do mar (ANM) com `r min(Altitude_SL$Ha)` hectares de área, ou seja, **`r min(Altitude_SL$Porcentagem)`** porcento da área total.
|
||||
A maior área está em altitude de `r max(Altitude_SL$De)` ANM, com `r max(Altitude_SL$Ha)`ha de área, ou seja, `r max(Altitude_SL$Porcentagem)` porcento da área total.
|
||||
|
||||
|
||||
No gráfico 1 apresenta os mesmos dados de altitude, mas de forma mais didática, e a representação permite visualiar que a maior parte das áreas está em altitude que variam de 1100 a 1175 metros.
|
||||
|
||||
# Referências
|
||||
File diff suppressed because one or more lines are too long
Binary file not shown.
Loading…
Reference in New Issue