Bodenchemische Eigenschaften in Gebieten im südlichen brasilianischen Amazonasgebiet, die von Wald in Weideland umgewandelt werden

Wissenschaftliche Berichte Band 12, Artikelnummer: 22555 (2022) Diesen Artikel zitieren

574 Zugriffe

1 Zitate

1 Altmetrisch

Details zu den Metriken

Der Süden des brasilianischen Amazonasgebiets ist eine der größten Rinderproduktionsregionen Brasiliens, allerdings befinden sich die meisten Weiden auf Böden mit geringer Fruchtbarkeit. Auf diese Weise kompensieren die Viehzüchter die geringe Weideproduktion, indem sie die Flächen vergrößern, was zu mehr Abholzung und Verbrennungen führt. Diese Praktiken verstärken den chemischen Abbauprozess der Amazonasböden und machen sie bei unsachgemäßer Bewirtschaftung zunehmend unfruchtbar. Ziel der Arbeit war es daher, die Auswirkungen auf die chemischen Eigenschaften von Böden in Gebieten im Süden des brasilianischen Amazonasgebiets zu bewerten, in denen Wald in Weideland umgewandelt wird. Die Studie wurde im Bezirk União Bandeirantes in einem Waldgebiet und zwei Gebieten mit Weiden (Brachiaria- und Mombaça-Gras) durchgeführt. Im Feld wurden Bodenproben in zwei Tiefen (0,00–0,10 und 0,10–0,20 m) entnommen, um chemische Analysen durchzuführen. Darüber hinaus wurden uni-, bi- und multivariate statistische Analysen sowie geostatistische Analysen zur Untersuchung räumlicher Variabilität und Bewirtschaftungszonen durchgeführt. Die Umwandlung von Wald in Weideland führte zu einem Anstieg des pH-Werts und der Werte an austauschbaren Basen, wodurch die Verfügbarkeit von austauschbarem Aluminium und der potenzielle Säuregehalt verringert wurden. Allerdings führt dies zu Verlusten an Phosphor und organischem Kohlenstoff aus dem Boden. Unter den Weideflächen wies die Mombaça-Grasfläche eine höhere Fruchtbarkeit auf. In der Umgebung mit Mombaça-Gras wurde eine größere räumliche Variabilität der chemischen Eigenschaften beobachtet, was auf eine größere Heterogenität in der Verteilung der Eigenschaften in dem Gebiet hinweist. Wir führen dieses Verhalten auf die höhere Beweidungsintensität und die Mikroreliefs in der Fläche zurück, die den Wasser- und Nährstofffluss lenken.

Der Bundesstaat Rondônia ist eng mit der Landwirtschaft und der Viehzucht verbunden, wobei die Rinderproduktion hervorsticht und mit 13.871.863 Rindern der fünftgrößte Produzent unter den brasilianischen Bundesstaaten ist. Porto Velho, die Landeshauptstadt, ist ein wichtiger Viehproduzent und belegt mit 968.778 Stücken1 den siebten Platz unter den Gemeinden. Studien zeigen jedoch, dass Weideflächen aufgrund der geringen Bewirtschaftung2 im Laufe der Zeit degradieren, was zu Verlusten bei der Milch- und Fleischproduktion führt. Daher sind Studien in der Region zur Bewertung der Bodenfruchtbarkeit unter Weiden erforderlich, um Informationen über die erzeugten Auswirkungen und die am empfindlichsten betroffenen Merkmale zu liefern.

Unter den Nutzpflanzen stellen Futterpflanzen die am häufigsten kultivierten Pflanzen von wirtschaftlichem Interesse in Brasilien und der Welt dar3. Unter den von Tieren genutzten Futterpflanzen sind Gräser der Gattungen Brachiaria und Panicum die wichtigsten Optionen für die Ernährung der brasilianischen Rinderherde4.

Brandrodung war im Amazonasgebiet eine kostengünstige Alternative zur Rodung von Waldgebieten und zur Schaffung von Weideflächen5. Wenn der Boden nach seiner Nutzung nicht ordnungsgemäß bewirtschaftet wird, kann dies zu negativen Veränderungen seiner Eigenschaften und damit zu einer Verschlechterung führen. In diesem Fall kann das stärker geneigte Relief sie verstärken6. Das Relief oder die topografische Lage kann den Wassergehalt des Bodens und die Intensität der Abtrags- und Ablagerungsprozesse von Sedimenten (Erosion)7 verändern und so das Risiko von Erosion und Nährstoffverlust erhöhen8. In Studien zur Bewertung der Wald-Weideumwandlung zeigten Araújo et al.9 und Lisbôa et al.10, dass die empfindlichsten chemischen Eigenschaften organische Stoffe, Ca2+, Mg2+, K+ und P sind.

In Weidesystemen können sie bei richtiger Bewirtschaftung viele Bodeneigenschaften verbessern, etwa die Wasserspeicherung, die organische Substanz im Boden und den Nährstoffkreislauf11. Braz et al.12 beobachteten einen Anstieg der Kohlenstoffvorräte im Boden nach 8-jähriger Nutzung mit Weiden im Verhältnis zum Wald, und dass es zu einem Rückgang kommt, wenn Feuer häufig zur Reinigung eingesetzt wird. Darüber hinaus fanden sie heraus, dass die Umwandlung von Wald in Weideland durch den Einsatz von Feuer die pH-Werte und die Verfügbarkeit von P, Ca2+ und K+ im Boden erhöht und das austauschbare Al3+ verringert.

Obwohl es mehrere Studien gibt, die die Auswirkungen auf den Boden nach der Umwandlung von Waldumgebungen in Weiden2,5,12,13 untersucht haben, sind in der Region Rondônia noch Studien erforderlich, die darauf abzielen, die Futterproduktion zu steigern, aber nur die Bodenfruchtbarkeit zu erhöhen und die Nachfrage zu beseitigen zur Abholzung. Ziel war es, die Auswirkungen auf die chemischen Eigenschaften von Böden in Gebieten mit Waldumwandlung in Weiden im Süden des brasilianischen Amazonasgebiets zu bewerten.

Bei der Auswertung der Streuung der Variablen (Tabelle 1) stellten wir fest, dass der Variationskoeffizient (CV) Werte zwischen 6,71 und 65,37 % aufwies und als niedrig (< 12 %), mittel (12–24 %) und klassifiziert wurde hoch (> 60 %)14. Der pH-Wert in allen Gebieten und V% in der Tiefe von 0,10–0,20 m im Waldgebiet zeigten einen als niedrig eingestuften CV. Ca2+ in einer Tiefe von 0,00–0,10 m, Na+ in einer Tiefe von 0,10–0,20 m im Bereich von Brachiaria und Mombaça-Gras und K+ in einer Tiefe von 0,10–0,20 m im Bereich von Mombaça zeigten einen CV, der als hoch eingestuft wurde. Die anderen Variablen stellten einen CV dar, der für alle ausgewerteten Bereiche und Tiefen als moderat eingestuft wurde.

Bei den Komponenten des Bodensäuregehalts zeigt sich, dass es für alle Variablen einen statistischen Unterschied gab (Abb. 1). Beim pH-Wert zeigte das Gebiet mit Mombaça die höchsten Werte in der Tiefe 0,00–0,10 m (bis 4,88); in einer Tiefe von 0,10–0,20 m wurde es jedoch in dem Gebiet mit Brachiaria-Werten bis zu 5,03 beobachtet. Die niedrigsten Werte wurden im Waldgebiet in beiden Tiefen gefunden (3,73 und 3,53). Die höchsten Al3+-Werte wurden im Waldgebiet in beiden Tiefen ermittelt (1,77 und 1,93 cmolc kg−1), während die Weideflächen mit Werten zwischen 0,62 und 0,94 cmolc kg−1 die niedrigsten Werte aufwiesen, die sich statistisch nicht voneinander unterschieden .

Boxplot und Mittelwerttest der Bodensäurekomponenten in verschiedenen Umgebungen, in Porto Velho, Rondônia. Die grüne Linie zeigt den Mittelwert der Daten an. Unterschiedliche Kleinbuchstaben bedeuten, dass es beim Tukey-Test signifikante Unterschiede von 5 % gab.

Der höchste H + Al-Gehalt wurde in 0,00–0,10 m Brachiaria (8,16 cmolc kg−1) und im Waldgebiet in einer Tiefe von 0,10–0,20 m (6,44 cmolc kg−1) beobachtet, jedoch war dies im Mombaça-Grasgebiet der Fall die niedrigsten Werte (5,15 und 4,55 cmolc kg−1) in den beiden untersuchten Tiefen.

Die austauschbaren Basen zeigten einen signifikanten Unterschied für die Bereiche in den verschiedenen untersuchten Tiefen (Abb. 2). Die höchsten Basenwerte wurden für Weideflächen im Verhältnis zum Wald in einer Tiefe von 0,00–0,10 m gefunden, ein Brachiaria-Gebiet mit den höchsten Gehalten an Ca2+ und Na+ (1,30 und 0,0119 cmolc kg−1) und das Gebiet mit Mombaça Gras hat die höchsten Gehalte an Mg2+ und K+ (0,45 und 0,11 cmolc kg−1). In einer Tiefe von 0,10–0,20 m wies das Waldgebiet die höchsten Werte an Ca2+, K+ und Na+ (0,5, 0,05 bzw. 0,005 cmolc kg−1) auf, während die Mombaça-Grasfläche die höchsten Werte an Mg2+ (0,28 cmolc) aufwies kg−1).

Boxplot und Mittelwerttest austauschbarer Bodenbasen in verschiedenen Umgebungen, in Porto Velho, Rondônia. Die grüne Linie zeigt den Mittelwert der Daten an. Unterschiedliche Kleinbuchstaben bedeuten, dass es beim Tukey-Test signifikante Unterschiede von 5 % gab.

In einer Tiefe von 0,00–0,10 m zeigte die CEC einen signifikanten Unterschied, wobei die höchsten Werte im Brachiaria-Gebiet (9,80 cmolc kg-1) und die niedrigsten im Mombaça-Grasgebiet (6,61 cmolc kg-1) beobachtet wurden. In einer Tiefe von 0,10–0,20 m wurden die höchsten Werte für die Waldfläche (7,04 cmolc kg−1) und die niedrigsten Werte für die Mombaça-Grasfläche (5,29 cmolc kg−1) beobachtet (Abb. 3). Die Mombaça-Grasfläche wies in den beiden untersuchten Tiefen die höchsten Werte der Basensättigung auf (22,07 und 14,12 cmolc kg−1) (Abb. 3).

Boxplot und Mittelwerttest der Kationenaustauschkapazität und -sättigung durch Bodenbasen in verschiedenen Umgebungen, in Porto Velho, Rondônia. Die grüne Linie zeigt den Mittelwert der Daten an. Unterschiedliche Kleinbuchstaben bedeuten, dass es beim Tukey-Test signifikante Unterschiede von 5 % gab.

Das Waldgebiet wies die höchsten Werte an P (5,52 und 3,39 mg kg−1) und TOC (23,88 und 18,09 g kg−1) in den beiden untersuchten Tiefen in Bezug auf Weideumgebungen auf (Abb. 4). Unter den Weideflächen wies Mombaça-Gras die niedrigsten P-Werte (3,53 und 1,81 mg kg-1) und die höchsten TOC-Werte (21,58 und 10,68 g kg-1) auf.

Boxplot und Mittelwerttest für Phosphor und gesamten organischen Kohlenstoff des Bodens in verschiedenen Umgebungen, in Porto Velho, Rondônia. Die grüne Linie zeigt den Mittelwert der Daten an. Unterschiedliche Kleinbuchstaben bedeuten, dass es beim Tukey-Test signifikante Unterschiede von 5 % gab.

Die Wechselwirkungen zwischen den einzelnen Attributen für die untersuchten Umgebungen sind in Tabelle 2 dargestellt. Es ist zu beobachten, dass der pH-Wert in allen Bereichen eine signifikante positive Korrelation mit Ca2+, Mg2+, V% und eine negative Korrelation für Al3+ sowie eine negative Korrelation für H + Al aufwies Weideumgebungen. Al3+ zeigte in allen untersuchten Bereichen eine negative Korrelation mit austauschbaren Basen. Darüber hinaus beobachteten wir eine signifikante positive Korrelation des pH-Werts mit K+ im Wald- und Mombaça-Gebiet sowie mit Na+ und CEC im Mombaça-Grasgebiet. Das Brachiaria-Gebiet hingegen zeigte eine negative Korrelation zwischen pH-Wert und CEC. CEC zeigte auch eine positive und hohe Korrelation mit H + Al (0,86–0,99) für alle untersuchten Bereiche.

Der gesamte organische Kohlenstoff (TOC) des Bodens zeigte in allen untersuchten Gebieten eine signifikante positive Korrelation mit Ca2+, Mg2+, K+, V %, CEC und P (Tabelle 2). Es wurde eine positive Korrelation zwischen TOC und P beobachtet, was darauf hindeutet, dass P in direktem Zusammenhang mit TOC und folglich mit organischer Substanz steht. Der TOC zeigte eine positive Korrelation mit dem pH-Wert in den Wald- und Mombaça-Gebieten, jedoch eine negative Korrelation mit dem pH-Wert im Brachiaria-Gebiet. Al3+ zeigte eine negative Korrelation mit TOC in Weideflächen.

Die Faktorenanalyse zeigte signifikante Ergebnisse für die Tiefen 0,00–0,10 und 0,10–0,20 m (KMO = 0,714 und 0,777 und p < 0,05 für den Barlett-Sphärizitätstest) für die in den verschiedenen Umgebungen untersuchten Variablen und zeigte die Eignung für die Konstruktion des Prinzipals Komponenten (PC), die es ermöglichen, 11 Originalvariablen in zwei Faktoren umzuwandeln (Abb. 5) (Tabelle 3).

Faktorebene der chemischen Eigenschaften des Bodens in Wald- und Weidegebieten, in Porto Velho, Rondônia.

In einer Tiefe von 0,00–0,10 m waren beide Faktoren für die Erklärung von 75,02 % der Varianz von Variablen mit Eigenwerten größer als 1 verantwortlich. PC1 erklärt 49,14 % und ist für die Variablen pH, Al3+, Ca2+ und Mg2+ verantwortlich, PC2 erklärt 25,88 %. der Varianz, verantwortlich für P und TOC. In PC1 zeigten pH, Ca2+ und Mg2+ positive Werte, während Al3+ negative Werte aufwies. Dies weist darauf hin, dass die Attribute mit den gleichen Vorzeichen eine direkte Korrelation aufweisen, während diejenigen mit entgegengesetzten Vorzeichen eine umgekehrte Korrelation aufweisen. Bei PC2 zeigten P und TOC positive Werte (Tabelle 3). Bei der Betrachtung der Faktorebene für eine Tiefe von 0,00–0,10 m werden zwei Gruppen gebildet, wobei die erste durch den Wald gebildet wird, der durch Al3+, P und TOC unterschieden wird, deren Eigenwerte größer als der Mittelwert sind, und die zweite durch gebildet wird Weideflächen, die durch hohe pH-, Ca2+- und Mg2+-Werte gekennzeichnet sind (Abb. 5).

In einer Tiefe von 0,10–0,20 m waren beide Faktoren für die Erklärung von 76,54 % der erklärenden Varianz verantwortlich. PC1 erklärte, dass 56,98 % für P, pH, Al3+, H + Al und TOC verantwortlich seien, PC2 erklärte, dass 19,56 % für Ca2+ verantwortlich seien. In PC1 zeigten die meisten Attribute einen positiven Wert, während der pH-Wert einen negativen Wert zeigte (Tabelle 3). Durch den Faktorplan werden zwei Gruppen gebildet, wobei Gruppe eins vom Wald gebildet wird, der nach Al3+, H + Al, P und TOC unterschieden wird, während Gruppe zwei aus Weiden besteht, die nach pH und Ca2+ unterschieden werden (Abb. 5). ).

Die Abbildungen 6, 7 und 8 zeigen die Semivariogramme für die Wald-, Brachiaria- und Mombaça-Grasflächen. Es ist zu beobachten, dass alle Variablen eine räumliche Abhängigkeitsstruktur aufwiesen, wobei das sphärische Modell das einzige war, das in allen untersuchten Bereichen und Tiefen angepasst wurde. Das Bestimmtheitsmaß (R2) zeigte Werte im Bereich von 0,75 bis 0,94, während die Kreuzvalidierung (CV) für alle Gebiete in den untersuchten Tiefen zwischen 0,75 und 1,00 schwankte.

Semivariogramme der chemischen Eigenschaften des Bodens in einem Waldgebiet in Porto Velho, Rondônia. Die Werte in Klammern sind jeweils: Bereich, R2, Grad der räumlichen Abhängigkeit (DSD) und Kreuzvalidierung.

Semivariogramme der chemischen Eigenschaften des Bodens in einer Brachiaria-Grasfläche in Porto Velho, Rondônia. Die Werte in Klammern sind jeweils: Bereich, R2, Grad der räumlichen Abhängigkeit (DSD) und Kreuzvalidierung.

Semivariogramme der chemischen Eigenschaften des Bodens in einer Mombaça-Grasfläche in Porto Velho, Rondônia. Die Werte in Klammern sind jeweils: Bereich, R2, Grad der räumlichen Abhängigkeit (DSD) und Kreuzvalidierung.

Der Bereich gibt die maximale Entfernung an, bei der das Attribut räumlich korreliert ist15. Bereichswerte wurden in der Tiefe von 0,00–0,10 m beobachtet und reichten von 18,20 (Al3+) bis 83,10 m (P) im Waldgebiet, von 21,40 (Mg2+) bis 88,00 m (Na+) für Brachiaria und 15,68 (CEC) bei 89,00 m ( Ca2+) für Mombaça-Rasenfläche. In einer Tiefe von 0,10–0,20 m reicht der Bereich von 14,02 (V%) bis 88,00 m (CEC) für Wald, 16,52 (H + Al) bis 88,00 m (Al3+) für Brachiaria und 14,96 (V%) bei 29,39 m (Na+) für Mombaça-Rasenfläche.

Der Grad der räumlichen Abhängigkeit (DSD) wies zwischen den untersuchten Gebieten Werte auf, die zwischen 0,03 und 69,70 % schwankten, was eine räumliche Abhängigkeit von stark (DSD < 25 %) bis mäßig (26 % > DSD < 75 %) darstellt16, was darauf hindeutet, dass die untersuchten Variablen sind nicht zufällig im Raum verteilt17.

Bei der Auswertung der Waldfläche in einer Tiefe von 0,00–0,10 m wurde beobachtet, dass pH, Al3+, H + Al, Ca2+, CEC, V und P eine starke DSD zeigten, während die anderen Attribute eine moderate räumliche Abhängigkeit zeigten. In einer Tiefe von 0,10–0,20 m zeigten H + Al, Ca2+, Mg2+, Na+ und V% eine starke DSD und die anderen mäßig. Im Brachiaria-Gebiet, bei 0,00–0,10 m, zeigten nur Ca2+, Mg2+ und TOC eine starke DSD, die anderen Merkmale zeigten eine mäßige DSD. In einer Tiefe von 0,10–0,20 m zeigten H + Al, Mg2+ und CEC eine starke DSD, die übrigen Attribute zeigten eine moderate DSD. Das Gebiet mit Mombaça-Gras wies für die meisten der untersuchten Merkmale in beiden Tiefen eine starke DSD auf, mit Ausnahme von pH und K+ in der Tiefe von 0,00–0,10 m, die eine mäßige DSD aufwies.

Die Abbildungen 9, 10 und 11 zeigen die Kriging-Karten für die Wald-, Brachiaria- und Mombaça-Grasflächen. Es wurde beobachtet, dass die Mombaça-Grasfläche im Vergleich zu den anderen Flächen eine größere Variabilität in Bezug auf die Verteilung der Merkmale aufweist.

Kriging-Karten der chemischen Bodeneigenschaften in einem Waldgebiet in Porto Velho, Rondônia.

Kriging-Karten der chemischen Eigenschaften des Bodens in einem Brachiaria-Grasgebiet in Porto Velho, Rondônia.

Kriging-Karten der chemischen Eigenschaften des Bodens in einer Mombaça-Grasfläche in Porto Velho, Rondônia.

Die skalierten Semivariogramme für die drei untersuchten Gebiete sind in Abb. 12 dargestellt. Die Diagramme wurden an das sphärische Modell angepasst, das R2 im Bereich von 0,57 bis 0,73 und eine Kreuzvalidierung von 0,76 bis 0,85 zeigte. Die untersuchten Gebiete wiesen Werte im Bereich von 20,12 bis 23,04 m auf, wobei die höchsten Werte im Brachiaria-Gebiet und die niedrigsten Werte im Mombaça-Grasgebiet gefunden wurden. Hinsichtlich der DSD zeigten alle Gebiete eine starke räumliche Abhängigkeit, mit Ausnahme von Brachiaria in einer Tiefe von 0,00–0,10 m16.

Skalierte Semivariogramme für die untersuchten Umgebungen in Porto Velho, Rondônia. Die Werte in Klammern geben jeweils an: Bereich, Grad der räumlichen Abhängigkeit, R2 und Kreuzvalidierung.

Tabelle 4 zeigt die minimale Probendichte basierend auf dem durch die gestaffelten Semivariogramme geschätzten Intervall für die beiden Tiefen, die in den verschiedenen untersuchten Umgebungen bewertet wurden. Das Gebiet mit Mombaça-Gras in einer Tiefe von 0,10–0,20 m wies mit 13 Proben ha−1 und einem Abstand von 20 m die höchste Probenahmedichte auf, die Waldumgebung in einer Tiefe von 0,00–0,10 m wies jedoch die niedrigste auf Wert, mit 9 Proben ha−1, im Abstand von 21 m.

Abbildung 13 zeigt das Semivariogramm für die Faktor-Score-Anpassungen, die aus der Hauptkomponentenanalyse erhalten wurden. F1-Semivariogramme (PC1) für die Tiefe von 0,00–0,10 m in den verschiedenen Umgebungen beziehen sich auf austauschbare Basen (Ca2+ und Mg2+) und auf die Komponenten des Bodensäuregehalts (pH und Al3+), die F2-Semivariogramme (PC2) beziehen sich auf P und Inhaltsverzeichnis. In einer Tiefe von 0,10–0,20 m hängt F1 mit den Komponenten Bodensäure (pH, Al3+ und H + Al) und TOC zusammen, während F2 nur mit Ca2+ zusammenhängt. In den Semivariogrammen überwog die Anpassung des sphärischen Modells, das R2 und Kreuzvalidierung im Bereich von 0,76 bis 0,88 bzw. 0,76–1,00 zeigte. Bei der räumlichen Analyse zeigte der F1 in einer Tiefe von 0,00–0,10 m eine moderate DSD (64,52 %) für das Brachiaria-Gebiet und die längste Reichweite (68,00 m), während die anderen Gebiete eine starke DSD aufwiesen. F2 zeigte eine starke DSD für alle untersuchten Gebiete, mit einem größeren Abhängigkeitsbereich für das Waldgebiet (25,00 m). Der F1 in einer Tiefe von 0,10–0,20 m zeigte eine mäßige DSD für das Brachiaria-Gebiet (52,38 %), das auch die größte Reichweite aufwies (73,00 m), die anderen Gebiete zeigten eine starke DSD. F2 hingegen zeigte für alle bewerteten Bereiche nur eine starke DSD.

Experimentelle Semivariogramme, angepasst an die Hauptkomponentenwerte für die verschiedenen untersuchten Umgebungen in Porto Velho, Rondônia. Die Werte in Klammern sind jeweils: Bereich, R2, Grad der räumlichen Abhängigkeit (DSD) und Kreuzvalidierung.

Bei der Bewertung der Komponenten des Bodensäuregehalts wird deutlich, dass das Waldgebiet im Vergleich zu Weideflächen einen höheren Säuregehalt des Bodens mit hohen Gehalten an Al3+ und H + Al aufwies. In ihrer Arbeit fanden Braz et al.12 niedrigere pH-Werte und höhere Werte von Al3+ und H + Al im Waldgebiet im Vergleich zu Weideflächen und führten dieses Ergebnis auf den Einsatz von Feuer zur Reinigung des Gebiets zurück, was auf die Asche zurückzuführen war , erhöht den pH-Wert und verringert folglich Al3+. Silva Neto et al.13 erklären diesen Mechanismus durch die auftretenden Brände, bei denen die Asche zusammen mit den Basen in den Boden eingearbeitet wird, wodurch die H+-Ionen vom Austauschkomplex dissoziiert werden und die basischen Kationen auf den Tonoberflächen adsorbiert werden, was zu einer Erhöhung des Feuers führt pH-Werte. Darüber hinaus ist die überwiegende Mehrheit der Amazonas-Umgebungen sauer, da das Ausgangsmaterial arm an Basen ist und die starken Niederschläge in der Region zur Auswaschung von Oberflächennährstoffen führen13,18. Hong et al.19 führen darauf zurück, dass die pH-Variation von der vorherrschenden Pflanzenart abhängt. Andererseits beziehen sich Jeddi und Chaieb20 auf die Senkung des pH-Werts in natürlichen Umgebungen aufgrund der größeren Aktivität von Mikroorganismen in der Nähe der Rhizosphäre von Pflanzen und der Freisetzung organischer Wurzelsäuren. In Bezug auf Al3+ könnten die hohen Konzentrationen im Waldgebiet auf die geringe Produktion organischer Verbindungen zurückzuführen sein, die Aluminium komplexieren können21,22.

Der hohe Gehalt an austauschbaren Basen in den Weideflächen im Vergleich zum Wald bestätigt Braz et al.12, die höhere Werte an Ca2+ und K+ in Weideflächen fanden. In ihrer Arbeit beobachteten Silva Neto et al.13 höhere Konzentrationen an Kationen in verbrannten Gebieten im Vergleich zu Wäldern. Dieselben Autoren führten die hohen Konzentrationen an Basen auf die nach der Verbrennung abgelagerte Asche zurück.

In der Arbeit von Araújo et al.9, die die Umwandlung von Wald in Weideland analysierte, fanden sie niedrige P-Werte in den ersten Tiefen des Bodens. Lisbôa et al.10 untersuchten Bodenqualitätsindikatoren im Zusammenhang mit der Weidedegradation in Latossolo und stellten fest, dass der organische Kohlenstoff im Boden eine der Variablen ist, die empfindlich auf Änderungen in der Bewirtschaftung reagieren. Die Anreicherung oder Freisetzung von TOC in die Atmosphäre hängt von der Art der Bewirtschaftung des Bodens und des Futters ab, wobei auf fruchtbaren Böden bewirtschaftete Weiden die Anreicherung von C verursachen. Bei der Bewirtschaftung von Böden mit geringer Fruchtbarkeit kommt es dagegen zur Umsetzung von Weiden zu C-Verlusten im Boden. Das Ausmaß der Verluste hängt jedoch vom Grad der Weidedegradation ab23. Die Stabilisierung des organischen Kohlenstoffs in Böden bei verschiedenen Bewirtschaftungsarten hängt von der im Boden gespeicherten Kohlenstoffmenge und der Art der abgelagerten Struktur ab24.

Die niedrigeren P-Werte und höheren TOC im Mombaça-Grasgebiet im Vergleich zu Brachiaria sind auf den höheren Nährstoffbedarf des Mombaça-Grases im Vergleich zu Brachiaria zurückzuführen, das nicht nur mehr Nährstoffe benötigt, sondern auch mehr Biomasse produziert, was zu einer größeren TOC-Ablagerung beiträgt im Boden25,26.

Die Wechselwirkungen zwischen chemischen Eigenschaften spiegeln die Fähigkeit einer Variablen wider, direkt oder antagonistisch mit der anderen zu interagieren. Die Wechselwirkungen zwischen dem pH-Wert und anderen Variablen wurden auch von Braz et al.12 beobachtet, die die Auswirkungen der Umwandlung von Wald in Weideland untersuchten und beobachteten, dass mit einem Anstieg des pH-Werts eine größere Verfügbarkeit von Nährstoffen (austauschbaren Basen) im Boden und im Boden besteht eine Verringerung des Gehalts an austauschbarem Al3+ in Weideflächen. Laut Perin et al.27 führt der Anstieg des pH-Werts zu einer Verringerung des Al3+-Gehalts aufgrund seiner Ausfällung, was folglich zu einem Rückgang des H + Al-Gehalts führt.

TOC ist eines der Attribute der organischen Substanz im Boden, das die chemische Qualität des Bodens am stärksten beeinflusst. Petter et al.28 zeigten in ihrer Arbeit, dass eine positive Korrelation zwischen TOC und CEC besteht. Dies ist auf die Fähigkeit der organischen Substanz zurückzuführen, dem Boden Lasten und Nährstoffe zuzuführen, da der Humusanteil der organischen Substanz eine negative Belastung von 200–500 cmolc kg−1 für den Boden darstellen kann29. Dies fördert die Adsorption austauschbarer Basen, hält sie im Bodenaustauschkomplex und verhindert, dass sie durch Auswaschung verloren gehen30. In ihrer Studie zeigten Galang et al.31, dass die Vorräte an anorganischem P in den oberflächlichen Schichten des Bodens auf die Umwandlung von organischem P zurückzuführen sind und diese Umwandlung mit zunehmender Temperatur und Zeit abnimmt. Oft hängt der TOC mit dem Säuregehalt des Bodens zusammen, insbesondere im Amazonasgebiet, wo eine hohe biologische Aktivität herrscht, die in Kombination mit einer heißen und feuchten Umgebung eine stärkere CO2-Produktion in der Bodenlösung fördert, die als Quelle für den Säuregehalt des Bodens fungiert13. Allerdings hat organisches Material die Fähigkeit, Aluminium zu komplexieren, da bei seiner Zersetzung organische Verbindungen entstehen21,22, ein Prozess, der in Weideböden aufgrund der stärkeren Einwirkung klimatischer Faktoren verstärkt werden kann.

In beiden Tiefen unterschieden sich die Weideumgebungen von der Waldumgebung. Wir führen dies auf den Einsatz von Feuer zur Reinigung der Flächen zurück, das aufgrund der Zunahme der in der Asche enthaltenen Nährstoffe im Boden für einen höheren pH-Wert und die Verfügbarkeit von Nährstoffen sorgte2. Da die Böden im Amazonasgebiet von Natur aus sauer sind, ist es jedoch bei der Umstellung auf Weiden notwendig, Korrekturmaßnahmen zu ergreifen und die Nährstoffversorgung zu verbessern32.

Der CV ermöglicht den Vergleich der Variabilität zwischen Stichproben von Variablen mit unterschiedlichen Einheiten, erlaubt jedoch nicht die Analyse der räumlichen Variabilität von Bodenattributen oder ihres räumlichen Musters33. Weideflächen (Brachiaria- und Mombaça-Gras) wiesen einen höheren CV auf als die Waldfläche. Diese Variation der höheren CV-Werte in den Weidegebieten kann auf die komplexen Wechselwirkungen der Bildungsprozesse und der Bewirtschaftungspraktiken im Boden und in den Kulturpflanzen zurückgeführt werden34.

In ihrer Arbeit untersuchten Oliveira et al.33 Böden im Amazonasgebiet und beobachteten die Vorherrschaft des sphärischen Modells bei der Anpassung von Semivariogrammen für Bodeneigenschaften von Waldgebieten und des exponentiellen Modells bei Weiden. In dieser Arbeit wird jedoch das Vorherrschen des sphärischen Modells beobachtet, was darauf hindeutet, dass die Attribute eine hohe räumliche Kontinuität aufweisen und über kurze Distanzen weniger unregelmäßig sind35.

Das Gebiet mit Brachiaria zeigte im Vergleich zu den anderen Gebieten die höchsten Bereichswerte für die meisten untersuchten Variablen, was darauf hindeutet, dass das Gebiet mit Brachiaria eine geringere Variabilität aufweist und homogener ist. Andererseits wies das Gebiet mit Mombaça die niedrigsten Bereichswerte auf, was darauf hindeutet, dass die chemischen Eigenschaften dieses Gebiets eine größere Variabilität aufweisen und ihre Verteilung heterogener ist. Diese größere Variabilität im Mombaça-Gebiet hängt möglicherweise mit der größeren Beweidungsintensität zusammen, die 6,14 Tieren ha-1 im Vergleich zum Brachiaria-Gebiet entspricht, das 4,50 Tieren ha-1 entspricht. Die höhere Beweidungsintensität im Zusammenhang mit Beweidungspräferenzzonen36 mit lokalem Mikrorelief, das den Wasser- und Nährstofffluss im Boden steuert37, trägt zur Entstehung von Variabilität chemischer Eigenschaften in Weidegebieten bei.

Oliveira et al.33 untersuchten unterschiedliche Bodenbewirtschaftungen im südlichen Amazonasgebiet. Die Autoren fanden eine starke DSD im Waldgebiet und eine mäßige DSD im Weidegebiet mit Brachiaria für chemische Eigenschaften in einer Tiefe von 0,00–0,20 m. Das Gebiet des Mombaça-Grases zeigte bei den meisten Variablen im Vergleich zu den Wald- und Brachiaria-Umgebungen eine starke DSD, was zeigt, dass die chemischen Eigenschaften in dieser Anbauumgebung stärker von den intrinsischen Eigenschaften des Bodens beeinflusst werden, die mit Bildungsfaktoren wie Ausgangsmaterial, Linderung und Klima16.

Als Produkt der Geostatistik verfügen wir über Kriging-Karten, die die Beobachtung der Verteilung der untersuchten Attribute ermöglichen. Dadurch ist es möglich, Kriterien für die Nutzung und Bewirtschaftung auf isolierte Weise festzulegen, was eine Rationierung der Bewirtschaftung in Bezug auf Düngung und chemische Korrektur des Bodens ermöglicht und Nährstoffe in Bereichen verteilt, in denen sie am meisten benötigt werden36. Dadurch ist es möglich, die Produktionskosten zu senken, die Produktivität zu steigern und das Risiko einer Umweltverschmutzung durch den übermäßigen Einsatz chemischer Düngemittel zu verringern38.

Bewirtschaftungszonen sind Unterbereiche einer größeren Parzelle, in denen Bodeneigenschaften als homogen betrachtet werden können. Sie berücksichtigen nicht nur dieselbe Bodenklasse, sondern auch die räumliche Variabilität, die innerhalb derselben Bodenklasse besteht39. Daher kann die Bewirtschaftungszone innerhalb derselben Bodenklasse anhand von Gitterbodenproben40 definiert werden, die zur Entwicklung von Semivariogrammen verwendet werden. Multivariate Analysen, hauptsächlich solche der Hauptkomponenten, wurden verwendet, um neue Variablen auf der Grundlage der Interaktion mehrerer Originalvariablen zu synthetisieren und dadurch Zonen innerhalb derselben Bodenbewirtschaftungssysteme zu unterscheiden41.

Bei der Auswertung der Kriging-Karten der Scores (Abb. 14) wird die Bildung von fünf Bewirtschaftungszonen beobachtet. Für Burak et al.42 gilt: Je höher die Werte, desto größer sind die Beiträge zu positiven Korrelationen zwischen den Variablen, aus denen sich die einzelnen Faktoren zusammensetzen. Im Gegensatz dazu gilt: Je niedriger die Werte, desto größer sind die Beiträge zu negativen Korrelationen. Wenn man also die F1-Karten in einer Tiefe von 0,00–0,10 m betrachtet, fällt auf, dass die meisten Werte für Weideflächen positiv ausfallen, während sie im Waldbereich höhere negative Werte aufweisen. Die Bereiche mit positiven Werten weisen auf eine direkte Korrelation zwischen pH-Wert und Basen (Ca2+ und Mg2+) hin, die Bereiche mit den höchsten negativen Werten sind jedoch auf Al3+ zurückzuführen, das mit steigendem pH-Wert und Basen weniger verfügbar ist. Für F2 wies die Waldfläche die meisten positiven Werte auf, während die Weideflächen die negativsten Werte aufwiesen. Dies zeigt, dass die Verfügbarkeit von P mit dem Anstieg des TOC im Waldgebiet korreliert und dass dies in Weideumgebungen seltener vorkommt. Für eine Tiefe von 0,10–0,20 m wies F1 im Waldgebiet die meisten positiven Werte auf, während die Weidewerte die meisten negativen Werte aufwiesen, was darauf hindeutet, dass der TOC im Wald mit den Säurekomponenten korreliert, diese Korrelation jedoch besteht kommt auf Weiden seltener vor. Diese beobachteten Korrelationen zeigen, dass jede Zone in jeder Umgebung eine spezifische, mehr oder weniger intensive Bewirtschaftung erfordert und damit die Effizienz der Nutzung natürlicher Ressourcen erhöht, die Auswirkungen der Landwirtschaft auf die Umwelt verringert und die wirtschaftlichen Kosten für das Anbausystem optimiert38. 43.

Kriging-Karten der Hauptkomponentenwerte für die verschiedenen untersuchten Umgebungen in Porto Velho, Rondônia.

Die Umwandlung von Wald in Weideland durch Feuer führte zu einem Anstieg des pH-Werts und der Werte der austauschbaren Basen, wodurch sich der Gehalt an austauschbarem Aluminium und der potenzielle Säuregehalt verringerten. Allerdings führte dies zu Verlusten an Phosphor und organischem Kohlenstoff im Boden.

Durch die multivariate Analyse wurde die Bildung zweier Gruppen beobachtet, des Waldes und der Weiden. Die Waldumgebung zeichnet sich dadurch aus, dass sie saurer ist und einen höheren Gehalt an P, insgesamt organischem Kohlenstoff, austauschbarem Aluminium und potenziellem Säuregehalt aufweist, während Weideumgebungen durch einen höheren pH-Wert und einen höheren Gehalt an austauschbaren Basen gekennzeichnet sind. Unter Weideflächen zeigte Mombaça-Gras eine höhere Fruchtbarkeit.

Das Mombaça-Gras wies eine größere räumliche Variabilität der chemischen Eigenschaften auf, was auf eine höhere Beweidungsintensität und auf die Mikroreliefs zurückzuführen war, die den Wasser- und Nährstofffluss lenken.

Die Variabilität in den Gebieten führte zu spezifischen Bewirtschaftungszonen für die Bestandteile Säuregehalt, austauschbare Basen, Phosphor und organischen Kohlenstoff der Böden. In diesen Umgebungen ist es notwendig, spezifische mehr oder weniger intensive Bewirtschaftungszonen einzurichten, um die Nutzung natürlicher Ressourcen effizienter zu gestalten, die Auswirkungen der Landwirtschaft auf die Umwelt zu verringern und die wirtschaftlichen Kosten zu optimieren.

Die Studie wurde im Bezirk União Bandeirantes in der Gemeinde Porto Velho, Rondônia, Brasilien (Abb. 15), im Jahr 2019, von September bis Oktober, am Ende der Trockenzeit, in drei Gebieten, zwei davon, durchgeführt Flächen, auf denen Brachiaria-Gras (Brachiaria brizantha cv. Marandu) und Mombaça-Gras (Panicum Maximum cv. Mombaça) angebaut werden, sowie ein Gebiet mit einheimischem Wald. Die Untersuchungsgebiete liegen bei den Koordinaten 9°45′41,21″ Süd und 64°31′43,18″ West für Brachiaria, 9°45′9,67″ Süd und 64°32′5,88″ West für Wald und 9°45′ 12,29″ Süd und 64°32′30,11″ westlich nach Mombaça.

Lage- und Höhenkarte der Untersuchungsgebiete.

Das Klima der Region gehört zur Gruppe A (tropisches Regenklima) und Am-Typ (Monsunregen) mit einer kurzen Trockenzeit zwischen Juni und September. Die durchschnittliche jährliche Niederschlagsmenge liegt zwischen 2500 und 2800 mm. Die jährliche Durchschnittstemperatur liegt zwischen 24 und 26 °C. Die relative Luftfeuchtigkeit ist recht hoch und schwankt zwischen 85 und 90 % in der Regenzeit und zwischen 60 und 70 % in der Trockenzeit44. Die Vegetationstypologie wird als dichter ombrophiler Wald bezeichnet, der aus dichten und mehrschichtigen Bäumen mit einer Höhe von 25 bis 30 m besteht45.

Das Untersuchungsgebiet liegt auf den Ebenen der Amazonas-Senke, das regionale Relief hat eine glatte wellenförmige Oberfläche mit einer Höhe von 100 bis 200 m. Die gefundenen Böden sind aus undifferenzierten Sedimentbedeckungen entstanden, die mit Umgebungen von Schwemmkegeln, Flusskanälen, Überschwemmungsgebieten und Seen verbunden sind und aus Sedimenten bestehen, deren Granulometrie von Kies bis Ton variiert, mit erheblicher Lateritisierung46.

Alle Böden weisen ein lokales Relief auf, das von flach bis glatt wellig und gut entwässert reicht. Sie werden gemäß dem brasilianischen System der Bodenklassifizierung47 als „Latossolo Amarelo Distrófico típico, A moderado, textura argilosa“ klassifiziert (Tabelle 5).

Die Flächen wurden mit Kettensäge und Feuer gesäubert und anschließend mit der Futteraussaat begonnen. Es ist wichtig klarzustellen, dass nie eine Kalkung und Düngung durchgeführt wurde. Insgesamt werden auf dem 44,28 Hektar großen Gebiet 110 Tiere gezüchtet, die alle 45 Tage zwischen den Koppeln mit Brachiaria- und Mombaça-Gras wechseln. Die Fläche mit Brachiarien wurde 2008 mit einer Erweiterung von 26,36 ha implantiert, blieb ein Jahr lang ungenutzt und wurde bis 2010 selten genutzt, danach wurden 4,5 Tiere pro ha genutzt. Die Fläche mit Mombaça-Gras ist 17,92 ha groß, wurde 2007 eingeführt und blieb drei Jahre lang ungenutzt. Danach wurden im 45-tägigen Wechsel zwischen den Brachiaria 6,14 Tiere pro ha eingesetzt.

Auf den Koppeln, auf denen die Weiden nach der Beweidung wiederhergestellt wurden, wurden für beide Gebiete mit Brachiaria- und Mombaça-Gras Untersuchungsnetze mit einem Raster von 90 × 60 m und für das Waldgebiet ein Raster von 90 × 50 m mit einem regelmäßigen Abstand von 10 m zwischen den Proben eingerichtet Punkte. Die Bodenproben wurden an den Kreuzungspunkten der Maschen in Tiefen von 0,00–0,10 und 0,10–0,20 m entnommen, sodass insgesamt 60 Probenpunkte für Waldflächen und 70 Punkte für Weideflächen, also insgesamt 400 Proben, vorhanden waren.

Für die Erstellung des Digital Elevation Model (MDE) wurden die Kreuzungspunkte der Netze mit einem GPS-Gerät (DATUM SIRGAS 2000) georeferenziert. An den gleichen Punkten, die mit Hilfe von Präzisionswasserwaage und Visier (Lineal) abgetastet wurden, wurde die Höhenmessung durchgeführt, um das Relief in den Maschen zu untersuchen.

Um die Proben an den Kreuzungspunkten der Maschen zu gewinnen, wurden in jedem Bereich mit erhaltener Struktur Proben in Form von 10 cm hohen Erdklumpen gesammelt. Diese Proben wurden verwendet, um die chemischen Eigenschaften des Bodens zu bestimmen.

Nachdem der Boden den Schattentrocknungsprozess durchlaufen und in ein 2-mm-Maschengewebe gesiebt worden war, was eine luftgetrocknete Feinerde (ADFE) charakterisiert, wurden chemische Analysen gemäß der von Teixeira et al.48 vorgeschlagenen Methodik durchgeführt. Bestimmt wurden: pH-Wert im Wasser, potenzieller Säuregehalt (H + Al), austauschbares Aluminium (Al3+), Calcium (Ca2+), Magnesium (Mg2+), Phosphor (P), Kalium (K+) und gesamter organischer Kohlenstoff (TOC).

Der pH-Wert im Wasser wurde potentiometrisch mit einem pH-Meter im Verhältnis Boden/Wasser von 1:2,5 bestimmt.

Calcium (Ca2+), Magnesium (Mg2+) und austauschbares Aluminium (Al3+) wurden mit KCl 1 mol L−1 Lösung extrahiert. Der Gehalt an Al3+ wurde durch Titration bestimmt, wobei NaOH 0,025 mol L−1 und Bromthymolblau als kolorimetrischer Indikator verwendet wurden. Die Konzentrationen von Ca2+ und Mg2+ wurden durch Atomabsorptionsspektrometrie bestimmt.

Der potenzielle Säuregehalt (H + Al) wurde mit bei pH 7,00 gepuffertem Calciumacetat extrahiert und durch Titration unter Verwendung von NaOH 0,025 mol L−1 und Phenolphthalein als Indikator bestimmt.

Kalium und verfügbarer Phosphor wurden mit Mehlich-1 extrahiert. Die P-Gehalte wurden mit einem UV-Vis-Spektrophotometer und die K+-Gehalte mit Flammenspektrophotometrie bestimmt.

Basierend auf den Bestimmungen der austauschbaren Kationen und des potenziellen Säuregehalts wurden die potenzielle Kationenaustauschkapazität (CEC) und die Basensättigung (V %) berechnet.

Der gesamte organische Kohlenstoff (TOC) wurde mit der von Yeomans und Bremner50 modifizierten Walkley-Black49-Methode bestimmt.

Um den untersuchten Boden physikalisch zu charakterisieren, wurden Granulometrie-, Textur-, Dichte- und Porositätsanalysen durchgeführt48. Die Granulometrie wurde durch Sieben des Bodens nach dem Trocknen und Trennen der Fraktionen Kies und luftgetrocknete Feinerde (ADFE) bestimmt. Die Bodentextur wurde mit der Pipettenmethode mit NaOH 1 mol L-1-Lösung als chemischem Dispergiermittel und mechanischem Rühren unter Verwendung des Wagner-Rührers in einem langsam rotierenden Gerät für 16 Stunden bei 50 U/min bestimmt. Die grobe und feine Sandfraktion wurde durch Sieben getrennt, die Ton- und Schlufffraktion durch Sedimentation. Zusätzlich wurde die Analyse des in Wasser dispergierten Tons (CDW) durchgeführt und anschließend der Flockungsgrad (GF) anhand des Anteils der Differenz zwischen dem gesamten Ton und dem in Wasser dispergierten Ton (CDW) berechnet. Die Bodendichte (SD) wurde mit der Methode des volumetrischen Rings und die Partikeldichte (PD) mit der Methode des volumetrischen Ballons ermittelt. Die Gesamtporosität (TP) wurde aus Daten zur Boden- und Partikeldichte unter Verwendung der folgenden Gleichung berechnet: TP = (1 − SD/PD).

Nach der Bestimmung der chemischen Eigenschaften wurden die Daten einer univariaten, bivariaten und multivariaten Analyse mit der Statistiksoftware Statistica 751 unterzogen.

Die univariate Statistik wurde mithilfe deskriptiver Statistiken bewertet und der Mittelwert, der Median, der Variationskoeffizient, die Schiefe und die Kurtosis berechnet. Darüber hinaus wurden Boxplot-Grafiken erstellt, um deskriptive Statistiken und die Primärdatenverteilung darzustellen. Die Hypothese der Datennormalität in jeder Umgebung wurde mithilfe des Kolmogorov-Smirnov-Tests (KS) überprüft. Anschließend wurde eine ANOVA-Varianzanalyse durchgeführt und, wenn sie signifikant war, Vergleiche der Mittelwerte der Variablen zwischen den drei untersuchten Umgebungen unter Verwendung des Tukey-Tests mit einer Wahrscheinlichkeit von 5 % durchgeführt.

Durch den Kolmogorov-Smirnov-Test wurde bei einer Wahrscheinlichkeit von 5 % Normalität in der Datenverteilung für die meisten untersuchten Variablen beobachtet, mit Ausnahme von Na+ in den Wald- und Mombaça-Grasgebieten (und Brachiaria in 0,10–0,20 m), für Al3+ in den Tiefe von 0,00–0,10 m in den Brachiaria- und Mombaça-Grasgebieten, für Ca2+ und Mg2+ in einer Tiefe von 0,10–0,20 m im Brachiaria-Gebiet und für K+ in einer Tiefe von 0,10–0,20 m in den Brachiaria- und Mombaça-Gebieten (Tabelle 1).

Diese Normalität wird auch für Mittelwert und Median beobachtet, die nahe beieinander liegen (Abb. 1, 2, 3 und 4). Die Schiefe der Daten zeigte Werte um −0,51 bis 1,33 (Tabelle 1). Schiefewerte größer als Null wurden für V% in einer Tiefe von 0,00–0,10 m und Na+ in einer Tiefe von 0,10–0,20 m im Waldgebiet, pH und TOC in einer Tiefe von 0,10–0,20 m im Brachiaria-Gebiet und Al3+ gefunden im Mombaça-Gebiet, was darauf hinweist, dass die Verteilung rechts asymmetrisch ist. Die anderen für Tiefen und Flächen ausgewerteten Attribute zeigten links eine asymmetrische Verteilung52. Für Kurtosis wurden Werte im Bereich von −1,49 bis 1,63 beobachtet, diese sollten vorzugsweise Null sein, Werte zwischen −2 und +2 sind jedoch akzeptabel53.

Mithilfe der bivariaten Statistik wurden die Korrelationen zwischen den untersuchten Variablen Paar für Paar überprüft, um den direkten oder antagonistischen Einfluss der einen auf die andere zu untersuchen. Bei der Auswertung wurde der Korrelationstest nach Pearson mit einer Wahrscheinlichkeit von 5 % verwendet.

In der multivariaten Analyse wurde eine Faktoranalyse der Hauptkomponenten (PC) durchgeführt, um die statistische Signifikanz der Sätze chemischer Eigenschaften des Bodens zu ermitteln, die die Umgebungen in Bezug auf die verschiedenen untersuchten Gebiete am meisten unterscheiden eine Antwort darauf, welche Umgebungen in ihren chemischen Eigenschaften am meisten durch anthropische Einwirkungen beeinträchtigt werden.

Die Angemessenheit der Faktorenanalyse wurde durch das Kaiser-Meyer-Olkin-Maß (KMO) ermittelt, das die einfachen und partiellen Korrelationen der Variablen bewertet, und durch den Bartlett-Sphärizitätstest, der die Gleichheit zwischen der Korrelationsmatrix mit ablehnen soll Identität. Die Extraktion der Faktoren erfolgte durch die Analyse der Hauptkomponente unter Einbeziehung der Variablen, die eine Gemeinsamkeit von mindestens fünf (5,0) aufwiesen. Die Auswahl der Anzahl der zu verwendenden Faktoren erfolgte nach dem Kaiser-Kriterium (Faktoren mit Eigenwerten größer als 1,0). Die orthogonale Rotation (Varimax) wurde durchgeführt, um die Faktoranalyse zu vereinfachen und sie in einer faktoriellen Ebene der Variablen und Bewertungen für die Hauptkomponenten darzustellen54.

Geostatistik wurde verwendet, um die räumliche Variabilität der chemischen Eigenschaften des Bodens und die durch Faktorenanalyse erhaltenen Werte zu bewerten. Um die geostatistische Analyse durchzuführen, war es notwendig zu wissen, ob eine räumliche Abhängigkeit von den untersuchten Attributen besteht oder nicht, was durch die Grafik des Semivariogramms überprüft wurde. Basierend auf der stationären Annahme der intrinsischen Hypothese, nach der das Semivariogramm geschätzt wurde:

wobei ŷ(h) = Wert der Semivarianz für einen Abstand h; \(\eta\)(h) = Anzahl der Paare, die an der Berechnung der Semivarianz beteiligt sind; Z(xi) = Wert des Attributs Z in Position xi; Z(xi + h) = Wert des Attributs Z, getrennt durch einen Abstand h von der Position xi.

Die Anpassung der Semivariogramme erfolgte auf der Grundlage des besten Bestimmtheitsmaßes (R2) und der besten Kreuzvalidierung (CV), geschätzt von der Software GS + 7.055. Aus diesen Anpassungen wurden die Koeffizienten des theoretischen Modells für das Semivariogramm definiert: Nugget-Effekt (C0) = Wert der Semivarianz für den Nullabstand, der die zufällige Variationskomponente darstellt; strukturelle Varianz (C1); Schwelle (C0 + C1) = Wert der Semivarianz, bei der sich die Kurve über einem konstanten Wert stabilisiert; und Bereich (a) = Abstand vom Ursprung bis zu dem Punkt, an dem die Schwelle stabile Werte erreicht, was den Abstand ausdrückt, jenseits dessen die Proben nicht korreliert sind56.

Für die Analyse des Grades der räumlichen Abhängigkeit (DSD) der untersuchten Attribute wurde die Klassifikation von Cambardella et al.16 verwendet, bei der die Bodeneigenschaften mit starker räumlicher Abhängigkeit berücksichtigt werden, wenn das Verhältnis des Nugget-Effekts (C0) zur Schwelle (C0 + C1) beträgt weniger als 25 %. Liegt das Verhältnis zwischen 26 und 75 %, gilt die räumliche Abhängigkeit als mäßig, liegt die Bodeneigenschaft größer als 75 % bis ca. 95 %, spricht man von einer schwachen räumlichen Abhängigkeit.

Nach Anpassung der zulässigen mathematischen Modelle wurden die Daten mittels Kriging in der Surfer-Softwareversion 13.0057 interpoliert. Die Erstellung von Krigagem-Karten ermöglichte die Überprüfung und räumliche Zuordnung chemischer Eigenschaften.

In dieser Arbeit wurden skalierte Semivariogramme für alle Variablen in jedem untersuchten Gebiet und jeder untersuchten Tiefe verwendet, um sie auf den gleichen Maßstab zu reduzieren und so den Vergleich zwischen Ergebnissen aus verschiedenen Gebieten zu erleichtern58. Die experimentellen Semivariogramme wurden skaliert, indem die Semivarianzen durch die statistische Varianz dividiert wurden59. Die Wahl des skalierten Semivariogramm-Modells, das am besten zu den Daten passte, erfolgte auf der Grundlage von R2 und CV sowie praktischen Kenntnissen über das Verhalten von Attributen in den Umgebungen.

Durch die Reichweite der skalierten Semivariogramme wurde die Mindestanzahl an Proben bestimmt, so dass es möglich ist, die Charakterisierung der räumlichen Variabilität der untersuchten Merkmale in jedem Gebiet und jeder Tiefe zu fördern60.

wobei N = Mindestanzahl von Proben, die zur Bestimmung eines Probenahmenetzes erforderlich sind; A = Gesamtfläche in ha; a = Bereich des Semivariogramms, in m.

Der im Rahmen der aktuellen Studie generierte und analysierte PDIR-CDR-Datensatz ist auf begründete Anfrage beim entsprechenden Autor erhältlich.

Brasilianischer Verband der Fleischexportindustrie – ABIEC (2019). Profil des Viehbestands in Brasilien. Verfügbar unter: http://www.abiec.com.br/PublicacoesLista.aspx. Zugriff am 09. Mai 2019.

Zenero, MDO Charakterisierung und Klassifizierung von Böden unter Wald und Weide in einem agroextraktivistischen Projekt im östlichen Amazonasgebiet. Rev. Bras. Ciênc. Solo 40, 1–17. https://doi.org/10.1590/18069657rbcs201601650 (2016).

Artikel Google Scholar

Vitória EL, Fernandes HC, Teixeira MM, Cecon PR & Lacerda EG Lineare und räumliche Korrelation zwischen der Produktivität von Brachiaria brizantha, der Bodendichte und der Gesamtporosität als Funktion des Bodenmanagementsystems. Eng. Agrar. 32, 909–919. https://doi.org/10.1590/S0100-69162012000500010 (2012).

Artikel Google Scholar

Silva, JL et al. Futtermasse sowie strukturelle und chemische Eigenschaften der Sorten Brachiaria und Panicum. Zoologie, Tierwissenschaft BHs. 17, 342–348. https://doi.org/10.1590/1089-6891v17i332914 (2016).

Artikel Google Scholar

Navarrete, D., Sitch, S., Aragao, LEOC & Pedroni, L. Die Umwandlung von Wäldern in Weiden im kolumbianischen Amazonasgebiet führt je nach Landbewirtschaftungspraktiken zu unterschiedlichen Kohlenstoffdynamiken im Boden. Globus. Biol. ändern 22, 3503–3517. https://doi.org/10.1111/gcb.13266 (2016).

Artikel ADS Google Scholar

Torres, FN, Richter, R. & Vohlan, MA Multisensorischer Ansatz für hochauflösende Landbedeckungs- und Weidedegradationskartierung in den feuchten Tropen: Eine Fallstudie der fragmentierten Landschaft von Rio de Janeiro. Int. J. Appl. Erdobs. Geoinf. 78, 189–201. https://doi.org/10.1016/j.jag.2019.01.011 (2019).

Artikel Google Scholar

Chagas, CS, Fontana, A., Carvalho Junior, W. & Caires, SM Topografische Attribute bei der Differenzierung von Ultisolen. Rev. Bras. Science Solo 37, 1441–1453. https://doi.org/10.1590/S0100-06832013000600002 (2013).

Artikel Google Scholar

Merten, GH, Araújo, AG, Biscaia, RCM, Barbosa, GMC & Conte, O. Direktsaat-Oberflächenabfluss und Bodenverluste in Südbrasilien. Bodenbearbeitung Res. 152, 85–93. https://doi.org/10.1016/j.still.2015.03.014 (2015).

Artikel Google Scholar

Araújo, EA, Ker, JC, Mendonça, ES, Silva, IR & Oliveira, KO Einfluss der Wald-Weide-Umstellung auf Bestände und Dynamik von Bodenkohlenstoff und Huminstoffen im Amazonas-Biom. Acta Amazon. 41, 103–114. https://doi.org/10.1590/S0044-59672011000100012 (2011).

Artikel Google Scholar

Lisbôa, FM, Donagemma, GK, Burak, DL, Passos, RR & Mendonça, ES Oxisol-Qualitätsindikatoren im Zusammenhang mit der Weidedegradation. Forschung Agrop. BHs. 51, 1184–1193. https://doi.org/10.1590/s0100-204x2016000900018 (2016).

Artikel Google Scholar

Franzluebbers, AJ, Stuedemann, JA & Franklin, DH Wasserinfiltration und Oberflächen-Bodenstruktureigenschaften unter Einfluss des Tierverkehrs im südlichen Piemont der USA. Erneuern. Landwirtschaft. Lebensmittelsystem 27, 256–265. https://doi.org/10.1017/S1742170511000378 (2011).

Artikel Google Scholar

Braz, AMB, Fernandes, AR & Alleoni, LRF Bodeneigenschaften nach der Umwandlung von Wald in Weideland im Amazonasgebiet. Landabbau. Entwickler 24, 33–38. https://doi.org/10.1002/ldr.1100 (2013).

Artikel Google Scholar

Silva Neto, ECD et al. Zeitliche Bewertung der chemischen Eigenschaften des Bodens nach Brandrodung im westbrasilianischen Amazonasgebiet. Acta Scientiarum. Agron. 41, e42609. https://doi.org/10.4025/actasciagron.v41i1.42609 (2019).

Artikel Google Scholar

Warrick, AW & Nielsen, DR Räumliche Variabilität der bodenphysikalischen Eigenschaften im Feld. In Applications of Soil Physics (Hrsg. Hillel, D.) (Academic Press, New York, 1980). https://doi.org/10.1016/b978-0-12-348580-9.50018-3.

Kapitel Google Scholar

Dalchiavon, FC, Carvalho, MP, Andreotti, M. & Montanari, R. Räumliche Variabilität der Fruchtbarkeitsmerkmale eines Oxisol im Direktsaatsystem. Rev. Ciênc. Agron. 43, 453–461. https://doi.org/10.1590/S1806-66902012000300006 (2012).

Artikel Google Scholar

Cambardella, CA et al. Variabilität der Bodeneigenschaften im Feldmaßstab in Zentral-Iowa. Bodenwissenschaft. Soc. Bin. J. 58, 1501–1511. https://doi.org/10.2136/sssaj1994.03615995005800050033x (1994).

Artikel ADS Google Scholar

Cavalcante, EGS, Alves, MC, Souza, ZM & Pereira, GT Räumliche Variabilität der physikalischen Bodeneigenschaften bei unterschiedlicher Nutzung und Bewirtschaftung. Rev. Bras. Eng. Agrar. Umwelt 15, 237–243. https://doi.org/10.1590/S1415-43662011000300003 (2011).

Artikel Google Scholar

Cravo, MS, Smyth, TJ & Brasil, EC Kalkung in einem dystrophischen gelben Latosol aus dem Amazonas und sein Einfluss auf die chemischen Eigenschaften des Bodens und den Ertrag einjähriger Nutzpflanzen. Rev. Bras. Science Solo 36, 895–908. https://doi.org/10.1590/S0100-06832012000300020 (2012).

Artikel CAS Google Scholar

Hong, S. et al. Aufforstung neutralisiert den pH-Wert des Bodens. Nat. Komm. 9, 520. https://doi.org/10.1038/s41467-018-02970-1 (2018).

Artikel ADS CAS Google Scholar

Jeddi, K. & Chaieb, M. Veränderungen der Bodeneigenschaften und der Vegetation nach Ausschluss der Viehweide in degradierten, trockenen Umgebungen Südtunesiens. Flora 205, 184–189. https://doi.org/10.1016/j.flora.2009.03.002 (2010).

Artikel Google Scholar

Ciotta, MN et al. Ansäuerung eines Oxisols unter Direktsaat. Rev. Bras. Science Solo 26, 1055–1064. https://doi.org/10.1590/S0100-06832002000400023 (2002).

Artikel CAS Google Scholar

Mantovanelli, BC et al. Räumliche Verteilung der Bodensäurekomponenten in einem natürlichen Graslandgebiet in der Region Humaitá, Amazonas. Rev. Ciênc. Agroambientais 14, 1–9. https://doi.org/10.1590/S1806-66902010000400001 (2016).

Artikel Google Scholar

Carvalho, JLN et al. Einfluss von Weide-, Landwirtschafts- und Ackerbau-Viehhaltungssystemen auf die C-Bestände im Boden in Brasilien. Bodenbearbeitung Res. 110, 175–186. https://doi.org/10.1016/j.still.2010.07.011 (2010).

Artikel Google Scholar

Assunção, SA, Pereira, MG, Rosset, JS, Berbara, RLL & García, AC Kohlenstoffeintrag und die strukturelle Qualität der organischen Bodensubstanz als Funktion der landwirtschaftlichen Bewirtschaftung in einer tropischen Klimaregion Brasiliens. Wissenschaft. Gesamtumgebung. 658, 901–911. https://doi.org/10.1016/j.scitotenv.2018.12.271 (2019).

Artikel ADS CAS Google Scholar

Freitas, KR et al. Bewertung der chemischen und bromatologischen Zusammensetzung von Mombaça-Gras (Panicum Maximum), das verschiedenen Stickstoffdosen ausgesetzt wurde. Biowissenschaften. J. 23, 1–10. https://doi.org/10.1590/S0034-737X2012000500005 (2007).

Artikel Google Scholar

Mendonça, VZD, Mello, LM, Pereira, FC, Silva, JODR & Yano, É. H. Maisproduktion für Silage, gemischt mit Grünfutter in der Landwirtschaft-Viehzucht-Integration. Ing. Landwirtschaft. 34, 738–745. https://doi.org/10.1590/S0100-69162014000400013 (2014).

Artikel Google Scholar

Perin, E., Ceretta, CA & Klamt, E. Zeit der landwirtschaftlichen Nutzung und chemische Eigenschaften von zwei Ferralsolen in der Region Planalto Medio im Bundesstaat Rio Grande do Sul, Brasilien. Pfr. Fr. BHs. Ciênc. Wahrheit 27, 665–674. https://doi.org/10.1590/S0100-06832003000400011 (2003).

Artikel CAS Google Scholar

Petter, FA et al. Anbau von Sojabohnen und Zwischenfrüchten als kohlenstoffarme Landwirtschaftsstrategie: CO2-Sequestrierung und Erhöhung der Kohlenstoffvorräte in einem Oxisol im südlichen Amazonasgebiet. Geoderma Reg. 11, 53–61. https://doi.org/10.1016/j.geodrs.2017.09.001 (2017).

Artikel Google Scholar

Alleoni, LRF, Mello, JWVD & Rocha, WSDD Química e Mineralogia do Solo Vol. 2 (SBCS, Viçosa, 2009).

Google Scholar

Feng, C., Ma, Y., Fu, S. & Chen, HY Kohlenstoff- und Nährstoffdynamik im Boden nach dem Ende anthropogener Störungen in degradierten subtropischen Wäldern. Landabbau. Entwickler 28, 2457–2467. https://doi.org/10.1002/ldr.2781 (2017).

Artikel Google Scholar

Galang, MA, Markewitz, D. & Morris, LA Phosphorumwandlungen im Boden durch Waldbrand und Laborwärmebehandlungen. Geoderma 55, 401–408. https://doi.org/10.1016/j.geoderma.2009.12.02 (2010).

Artikel ADS Google Scholar

Pantoja, JCM et al. Multivariate Analyse zur Bewertung von Bodeneigenschaften in Gebieten mit unterschiedlicher Nutzung in der Region Humaitá, AM. Rev. Ambiente Água 14, 1–16. https://doi.org/10.4136/ambi-agua.2342 (2019).

Artikel CAS Google Scholar

Oliveira, IA et al. Räumliche Variabilität und Probenahmedichte der magnetischen Suszeptibilität und Eigenschaften von Ultisolen in der Manicoré-Region, AM. Rev. Bras. Science Solo 39, 668–681. https://doi.org/10.1590/01000683rbcs20140496 (2015).

Artikel CAS Google Scholar

Bottega, EL, Queiroz, DM, Pinto, FAC & Souza, CMA Räumliche Variabilität der Bodeneigenschaften in einem Direktsaatsystem mit Fruchtfolge im brasilianischen Cerrado. Rev. Ciênc. Agron. 44, 1–9. https://doi.org/10.1590/S1806-66902013000100001 (2013).

Artikel Google Scholar

Isaaks, EH & Srivastava, RM Eine Einführung in die angewandte Geostatistik (Oxford University Press, New York, 1989).

Google Scholar

Alencar, NM, Melo, JC, Santos, AC, Cunha, OFR & Paula Neto, JJ Räumliche Verteilung der Bodeneigenschaften, Marandu-Grasproduktion mit Beweidungsintensität. Rev. Eng. Agríc. 24, 338–349. https://doi.org/10.13083/reveng.v24i4.602 (2016).

Artikel Google Scholar

Artur, AG et al. Räumliche Variabilität der chemischen Eigenschaften des Bodens im Zusammenhang mit Mikroreliefs. Rev. Bras. Eng. Agrar. Umfeld 18, 141–149. https://doi.org/10.1590/S1415-43662014000200003 (2014).

Artikel Google Scholar

Santos, KEL, Bernardi, ADC, Bettiol, GM & Crestana, S. Geostatistik und Geoverarbeitung bei der Entscheidungsfindung über die Verwendung von Inputs auf einer Weide. Rev. Bras. Eng. Biossistemas 11, 294–307. https://doi.org/10.18011/bioeng2017v11n3p294-307 (2017).

Artikel Google Scholar

Oliveira, JF et al. Räumliche Variabilität der physikalischen Bodenqualität aus Bewirtschaftungszonen. Präzise. Landwirtschaft. 20, 1251–1273. https://doi.org/10.1007/s11119-019-09639-9 (2019).

Artikel Google Scholar

Lal, R. & Stewart, BA Bodenspezifische Landwirtschaft: Präzisionslandwirtschaft (CRC Press, Boca Raton, 2015).

Buchen Sie Google Scholar

Panishkan, K., Areekijseree, M., Sanmanee, N. & Swangjang, K. Bodenklassifizierung basierend auf ihrer Zusammensetzung unter Verwendung der Hauptkomponentenanalyse. EnvironmentAsia 3, 47–52. https://doi.org/10.14456/ea.2010.7 (2010).

Artikel Google Scholar

Burak, DL, Passos, RR & Andrade, FV Räumliche Variabilität der chemischen Eigenschaften des Bodens unter Conilon-Kaffee: Beziehung zu Textur, organischer Substanz und Relief. Bragantia 71, 538–547. https://doi.org/10.1590/S0006-87052012000400012 (2012).

Artikel CAS Google Scholar

Matias, SSR et al. Kalkungsempfehlung basierend auf der räumlichen Variabilität der chemischen Bodeneigenschaften im brasilianischen Cerrado. Rev. Ciênc. Agr. 42, 896–907. https://doi.org/10.19084/rca.17735 (2019).

Artikel Google Scholar

Alvares, CA, Stape, JL, Sentelhas, PC, Gonçalves, JLM & Sparovek, G. Köppens Klimaklassifikationskarte für Brasilien. Meteorol. Z. 22, 711–728. https://doi.org/10.1127/0941-2948/2013/0507 (2013).

Artikel Google Scholar

Perigolo, NA, Medeiros, MB & Simon, MF Vegetationstypen des oberen Madeira-Flusses in Rondônia, Brasilien. Brittonia 69(423–446), 2017. https://doi.org/10.1007/s12228-017-9505-1 (2017).

Artikel Google Scholar

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

Santos, HG et al. Brasilianisches System der Bodenklassifizierung, 5. (Hrsg. Embrapa, B.). https://www.embrapa.br/solos/sibcs (2018).

Teixeira, PC, Donagema, GK, Ademir, F. & Teixeira, WG Handbuch der Bodenanalysemethoden, 3. Auflage (Hrsg. Embrapa, B.). https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1085209/manual-de-metodos-de-analise-de-solo (2017).

Walkley, A. & Black, IA Eine Untersuchung der Degtjareff-Methode zur Bestimmung organischer Bodensubstanz und eine vorgeschlagene Modifikation der Chromsäure-Titrationsmethode. Bodenwissenschaft. 37, 29–38. https://doi.org/10.1097/00010694-193401000-00003 (1934).

Artikel ADS CAS Google Scholar

Yeomans, JC & Bremner, JM Eine schnelle und präzise Methode zur routinemäßigen Bestimmung von organischem Kohlenstoff im Boden. Komm. Bodenwissenschaft. Pflanze Anal. 19, 1467–1476. https://doi.org/10.1080/00103628809368027 (1988).

Artikel CAS Google Scholar

STATSOFT Inc. Statistica (Datenanalyse-Softwaresystem), Version 7.0. USA (2004).

Zanão Júnior, LA, Lana, RMQ, Carvalho-Zanão, MP & Guimarães, ED Räumliche Variabilität chemischer Eigenschaften in verschiedenen Tiefen in einem Oxisol-System mit Direktsaat. Rev. Ceres 57, 429–438. https://doi.org/10.1590/S0034-737X2010000300021 (2010).

Artikel Google Scholar

Negreiros Neto, JV et al. Räumliche Variabilität physikalisch-chemischer Eigenschaften eines dystrophischen rot-gelben Latosols im Direktsaatsystem. Semina Ciênc. Agr. 35, 193–204. https://doi.org/10.5433/1679-0359.2014v35n1p193 (2014).

Artikel Google Scholar

Mingoti, SA Datenanalyse durch multivariate statistische Methoden. Bundesuniversität Minas Gerais – Belo Horizonte 295 (2007).

Gamma-Design-Software (GS+). Geostatistik für die Umweltwissenschaften 7. Aufl. Plainwell: Gamma Design (2004).

Oliver, MA & Webster, R. Ein Tutorial zur Geostatistik: Berechnen und Modellieren von Variogrammen und Kriging. CATENA 113, 56–69. https://doi.org/10.1016/j.catena.2013.09.006 (2014).

Artikel Google Scholar

Golden Software Inc. SURFER für Windows, Version 13.0: Konturierung und 3D-Oberflächenkartierung für Wissenschaftler und Ingenieure, Benutzerhandbuch. New York, USA (1999).

Ceddia, MB et al. Topographie und räumliche Variabilität bodenphysikalischer Eigenschaften. Wissenschaft. Agricola 66, 338–352. https://doi.org/10.1590/S0103-90162009000300009 (2009).

Artikel Google Scholar

Guimarães, EC Räumliche Variabilität der Bodenfeuchtigkeit und Schüttdichte in einem Oxisol. Master-Abschluss, Universität Campinas, Campinas. https://bdtd.ibict.br/vufind/Record/CAMP_17e6c9a953ce973b569359e4153b912a (1993).

Oliveira, IA et al. Verwendung skalierter Semivariogramme in der Planungsstichprobe der chemischen Bodeneigenschaften im südlichen Amazonasgebiet, Brasilien. Rev. Bras. Ciênc. Solo 39, 31–39. https://doi.org/10.1590/01000683rbcs20150525 (2015).

Artikel CAS Google Scholar

Referenzen herunterladen

Amazon Environment and Soil Research Group (GPSAA), Fakultät für Agrarwissenschaften, Federal University of Amazonas (FCA/UFAM), Manaus, AM, Brasilien

Alan Ferreira Leite de Lima & Wildson Benedito Mendes Brito

Amazon Environment and Soil Research Group (GPSAA), Department of Soils and Rural Engineering, Agricultural Sciences Center, Federal University of Paraíba (DSER/CCA/UFPB), Areia, PB, Brasilien

Milton Cesar Costa Campos

Amazon Environment and Soil Research Group (GPSAA), Institut für Bildung, Landwirtschaft und Umwelt, Bundesuniversität Amazonas (IEAA/UFAM), Humaitá, AM, Brasilien

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

Amazon Environment and Soil Research Group (GPSAA), Höheres Studienzentrum von Itacoatiara, Amazonas State University (CESIT/UEA), Itacoatiara, AM, Brasilien

Luis Antonio Coutrim dos Santos

Amazon Environment and Soil Research Group (GPSAA), Bundesinstitut für Bildung, Wissenschaft und Technologie von Rondônia (IFRO), Ariquemes, RO, Brasilien

Ivanildo Amorim de Oliveira

Sie können diesen Autor auch in PubMed Google Scholar suchen

AFLL: Konzeptualisierung, Methodik, Untersuchung, Validierung, formale Analyse, Schreiben, Projektverwaltung. MCCC und LACS: Konzeptualisierung, Ressourcen, Supervision. TSM, GAS und WBMB: Methodik, Untersuchung. IAO und JMC: Überprüfung und Bearbeitung.

Korrespondenz mit Alan Ferreira Leite de Lima.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

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

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

Nachdrucke und Genehmigungen

de Lima, AFL, Campos, MCC, Martins, TS et al. Bodenchemische Eigenschaften in Gebieten im südlichen brasilianischen Amazonasgebiet, die von Wald in Weideland umgewandelt werden. Sci Rep 12, 22555 (2022). https://doi.org/10.1038/s41598-022-25406-9

Zitat herunterladen

Eingegangen: 10. August 2022

Angenommen: 29. November 2022

Veröffentlicht: 29. Dezember 2022

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

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

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

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

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