Rainfall erosivity in Brazil

Abstract

The phenomenon known as rainfall erosivity (RE) expresses the ability of rainfall to cause soil erosion. Thus, the estimation of RE magnitudes is relevant for understanding how the erosive processes vary in time and space. Considering this, the present thesis explores the main aspects of RE in Brazil. In Chapter 1, an in-depth review of scientific literature on the RE assessment in Brazil is shown. It was found that the EI 30 has been the most employed erosivity index, while the use of pluviographic rainfall data and regression equations are the main methods for obtaining erosivity values. Kriging is the most widespread technique for obtaining RE maps in Brazil. Furthermore, the Southeast region accounts for the largest number of erosivity studies, while the North has a major lack of erosivity information. The advancements over the last decade are characterized by the use of synthetic series of rainfall and remote sensing products to estimate erosivity, as well as the use of machine learning techniques for its interpolation. In Chapter 2, a large national database was used to assess the RE patterns in time and space over the Brazilian territory. The results show that the mean annual RE value is 5,620 MJ mm ha -1 h -1 year -1 , with considerable spatial variation over the country. The RE values are more equitably distributed throughout the year in the southern region, while in some spots of the northeastern region, it is irregularly concentrated in specific months. Further analyses revealed that the annual RE gravity center for Brazil is in the Goiás State and that it presents a north- south migration pattern throughout the months. Complementarily, the erosivity density magnitudes allowed the identification of high-intensity rainfall spots. Additionally, the Brazilian territory was divided into eleven homogeneous regions regarding the RE patterns and for each defined region, a regression model was adjusted and validated. These models’ statistical metrics were considered satisfactory and, thus, can be used to estimate RE values for the whole country using monthly rainfall depths. In Chapter 3 machine learning techniques were applied to obtain an annual RE map for Brazil. According to the accuracy metrics analyzed, Random Forest (RF) is considered the model with the best prediction performance for mapping the annual RE. The covariates with higher importance for the predictions were the total annual rainfall, rainfall depth for August, and rainfall of the coldest quarter. Further analysis revealed that the northeastern of the country as well as the Serra do Mar mountains region are characterized as the areas with the highest uncertainties in the values mapped. The created map is considered an advancement regarding the availability of accurate RE values in the country. The present thesis shows the most complete panorama of the RE phenomenon in Brazil shown in the literature so far. Therefore, the values, maps, and analysis shown are relevant for improving the accuracy of soil loss estimates and for the establishment of soil conservation planning on a national scale. Keywords: Erosivity index. Universal Soil Loss Equation. Soil and water conservation. Erosivity density. Machine learning.

O fenômeno conhecido como erosividade das chuvas (RE) expressa a capacidade das precipitações em provocar a erosão do solo. Assim, a estimativa de magnitudes de RE é relevante para entender como os processos erosivos variam no tempo e no espaço. Considerando isso, a presente tese explora os principais aspectos da RE no Brasil. No Capítulo 1, é apresentada uma revisão aprofundada da literatura científica sobre a avaliação da RE no Brasil. Verificou-se que o EI 30 tem sido o índice de erosividade mais empregado, enquanto o uso de dados pluviográficos e de equações de regressão são os principais métodos para obtenção dos valores de erosividade. A krigagem é a técnica mais difundida para obtenção de mapas de RE no Brasil. Além disso, a região Sudeste concentra o maior número de estudos de erosividade, enquanto a região Norte apresenta grande carência de informações sobre erosividade. Os avanços na última década são caracterizados pelo uso de séries sintéticas de precipitação e produtos de sensoriamento remoto para estimar a erosividade, bem como o uso de técnicas de aprendizado de máquina para sua interpolação. No Capítulo 2, um grande banco de dados nacional foi utilizado para avaliar os padrões de RE no território brasileiro. Os resultados mostram que o valor médio anual de RE é 5.620 MJ mm ha -1 h -1 ano -1 , com considerável variação espacial. Os valores de RE são distribuídos de forma mais equitativa ao longo do ano na região sul, enquanto em alguns pontos da região nordeste concentram-se de forma irregular em meses específicos. Análises posteriores revelaram que o centro de gravidade anual da RE para o Brasil está localizado no estado de Goiás e que este apresenta um padrão de migração latitudinal ao longo dos meses. Complementarmente, as magnitudes de densidade de erosividade permitiram a identificação de pontos de chuva de alta intensidade. Adicionalmente, o território brasileiro foi dividido em onze regiões homogêneas quanto aos padrões de RE e para cada região, um modelo de regressão foi ajustado e validado. No Capítulo 3, técnicas de aprendizado de máquina foram aplicadas para obter um mapa anual de RE para o Brasil. De acordo com as métricas de acurácia analisadas, o Random Fosrest (RF) é considerado o modelo com melhor desempenho de predição para mapear a RE anual. As covariáveis com maior importância para as predições foram a precipitação total anual, a precipitação de agosto e a precipitação do trimestre mais frio. Análises mais aprofundadas revelaram que o nordeste do país, assim como a região da Serra do Mar, caracterizam-se como as áreas com maiores incertezas nos valores mapeados. O mapa criado é considerado um avanço em relação à disponibilização de valores precisos de RE no país. A presente tese apresenta o panorama mais completo do fenômeno RE no Brasil apresentado na literatura até o momento. Portanto, os valores, mapas e análises apresentados são relevantes para melhorar a precisão das estimativas de perda de solo e para o estabelecimento de um planejamento para a conservação do solo em escala nacional. Palavras-chave: Índice de erosividade. Equação Universal de Perda de Solo. Conservação do solo e da água. Densidade de erosividade. Aprendizado de máquina.