Submitted by WALDERY DE MELO WEYLL WEYLL (waldery@museu-goeldi.br) on 2015-07-15T19:01:13Z No. of bitstreams: 1 Dissertacao_InfluenciaVariacaoSazonal.pdf: 1245995 bytes, checksum: b62246170ea966747f00220bbdcaafb8 (MD5) / Approved for entry into archive by Rodrigo Paiva (rodrigopaiva@museu-goeldi.br) on 2015-07-16T14:33:16Z (GMT) No. of bitstreams: 1 Dissertacao_InfluenciaVariacaoSazonal.pdf: 1245995 bytes, checksum: b62246170ea966747f00220bbdcaafb8 (MD5) / Made available in DSpace on 2015-07-16T14:33:16Z (GMT). No. of bitstreams: 1 Dissertacao_InfluenciaVariacaoSazonal.pdf: 1245995 bytes, checksum: b62246170ea966747f00220bbdcaafb8 (MD5) Previous issue date: 2013 / O Brasil possui cerca de 32 milhões de hectares de áreas com aptidão para a expansão da cultura da palma de óleo e mais de 90% destas estão na Amazônia. Há necessidade de compreender a interação de novos plantios e de seu desenvolvimento com o meio ambiente. Este estudo foi conduzido em plantios comerciais da empresa Dendê do Pará SA (DENPASA) em Castanhal – Pará e avaliou o efeito da variação sazonal da precipitação sobre a fertilidade do solo e desta sobre a biomassa microbiana do solo em uma cronosseqüencia de plantios de palma de óleo com 5, 8 e 12 anos e floresta secundária. Foram mensurados/estimados e correlacionados os atributos do solo carbono da biomassa microbiana (CBMS), carbono total (CTOTAL), nitrogênio (NTOTAL), respiração basal (RBS), quociente metabólico (qCO2), relação carbono da biomassa microbiana/ carbono total (CBMS:CTOTAL), relação carbono/nitrogênio (C/N), umidade gravimétrica (Ug), fósforo (P), potássio (K), cálcio (Ca), magnésio (Mg), alumínio (Al), capacidade de troca efetiva de cátions (CTC) e saturação por alumínio (m). O CBMS foi o atributo mais sensível para diferenciar as áreas do estudo e os períodos seco e chuvoso. Os atributos químicos de fertilidade do solo e a biomassa microbiana do solo apresentaram correlações significativas mais fortes e em maior número no período chuvoso. Os índices microbianos qCO2 e CBMS:CTOTAL comprovaram que áreas de plantio convencional podem ser relativamente eficientes em relação à dinâmica do C em comparação a área de floresta secundária.

Submitted by Edisangela Bastos (edisangela@ufpa.br) on 2015-03-04T16:13:08Z No. of bitstreams: 2 license_rdf: 22974 bytes, checksum: 99c771d9f0b9c46790009b9874d49253 (MD5) Dissertacao_InfluenciaVariacaoSazonal.pdf: 1245995 bytes, checksum: b62246170ea966747f00220bbdcaafb8 (MD5) / Approved for entry into archive by Ana Rosa Silva (arosa@ufpa.br) on 2015-03-05T13:01:04Z (GMT) No. of bitstreams: 2 license_rdf: 22974 bytes, checksum: 99c771d9f0b9c46790009b9874d49253 (MD5) Dissertacao_InfluenciaVariacaoSazonal.pdf: 1245995 bytes, checksum: b62246170ea966747f00220bbdcaafb8 (MD5) / Made available in DSpace on 2015-03-05T13:01:04Z (GMT). No. of bitstreams: 2 license_rdf: 22974 bytes, checksum: 99c771d9f0b9c46790009b9874d49253 (MD5) Dissertacao_InfluenciaVariacaoSazonal.pdf: 1245995 bytes, checksum: b62246170ea966747f00220bbdcaafb8 (MD5) Previous issue date: 2013 / O Brasil possui cerca de 32 milhões de hectares de áreas com aptidão para a expansão da cultura da palma de óleo e mais de 90% destas estão na Amazônia. Há necessidade de compreender a interação de novos plantios e de seu desenvolvimento com o meio ambiente. Este estudo foi conduzido em plantios comerciais da empresa Dendê do Pará SA (DENPASA) em Castanhal – Pará e avaliou o efeito da variação sazonal da precipitação sobre a fertilidade do solo e desta sobre a biomassa microbiana do solo em uma cronosseqüencia de plantios de palma de óleo com 5, 8 e 12 anos e floresta secundária. Foram mensurados/estimados e correlacionados os atributos do solo carbono da biomassa microbiana (C_BMS), carbono total (C_TOTAL), nitrogênio (N_TOTAL), respiração basal (RBS), quociente metabólico (qCO₂), relação carbono da biomassa microbiana/ carbono total (C_BMS:C_TOTAL), relação carbono/nitrogênio (C/N), umidade gravimétrica (Ug), fósforo (P), potássio (K), cálcio (Ca), magnésio (Mg), alumínio (Al), capacidade de troca efetiva de cátions (CTC) e saturação por alumínio (m). O C_BMS foi o atributo mais sensível para diferenciar as áreas do estudo e os períodos seco e chuvoso. Os atributos químicos de fertilidade do solo e a biomassa microbiana do solo apresentaram correlações significativas mais fortes e em maior número no período chuvoso. Os índices microbianos qCO₂ e C_BMS:C_TOTAL comprovaram que áreas de plantio convencional podem ser relativamente eficientes em relação à dinâmica do C em comparação a área de floresta secundária. / Brazil has about 32 million hectares of areas with capability to oil palm’s expansion and more than 90% of these are in the Amazon. There is need to understand the interaction of new plantations and its development with the environment. This study was conducted in Dende do Pará SA (DENPASA), commercial plantations company, and aimed to evaluate precipitation’s seasonal variation on the soil fertility and thus on soil biomass in a chronosequence of oil palm plantations with 5, 8 and 12 years and secondary forestry. We measured / estimated and correlated the attributes carbon microbial biomass (CSMB), total carbon (C_TOTAL), total nitrogen (N_TOTAL), soil basal respiration (SBR), metabolic quotient (qCO₂), carbon microbial biomass / total carbon ratio (C_BMS: C_TOTAL), carbon / nitrogen ratio (C / N), gravimetric moisture (Ug), phosphorus (P), potassium (K), calcium (Ca), magnesium (Mg), aluminum (Al), effective exchange capacity of cations (CTC) and aluminum saturation (m). The C_BMS was the attribute most sensitive to differentiate areas of study and dry and rainy seasons. Chemical characteristics of soil fertility and soil microbial biomass were correlated stronger and in greater numbers during the rainy season. Chemical attributes of soil fertility and soil microbial biomass presented correlation more strong and in greater numbers during the rainy season. The microbial indices qCO₂ and C_BMS:C_TOTAL proved that conventional planting areas can be relatively efficient in relation to C dynamics compared to secondary forest area.

Submitted by Irvana Coutinho (irvana@ufpa.br) on 2012-09-10T14:35:22Z No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_EstudoComparativoDistribuicao.pdf: 7839629 bytes, checksum: c2ae057aad3bdaaceb07a1c80d3af09c (MD5) / Approved for entry into archive by Irvana Coutinho(irvana@ufpa.br) on 2012-09-10T14:35:50Z (GMT) No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_EstudoComparativoDistribuicao.pdf: 7839629 bytes, checksum: c2ae057aad3bdaaceb07a1c80d3af09c (MD5) / Made available in DSpace on 2012-09-10T14:35:50Z (GMT). No. of bitstreams: 2 license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Dissertacao_EstudoComparativoDistribuicao.pdf: 7839629 bytes, checksum: c2ae057aad3bdaaceb07a1c80d3af09c (MD5) Previous issue date: 2008 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho utilizou os dados de precipitação do período de janeiro de 2000 a setembro de 2007 da torre micrometeorológica localizada na Estação Científica Ferreira Pena (ECFP) em Caxiuanã e foram comparados com o algoritmo 3B42 que combina dados de satélites no canal de microoondas para ajustar aqueles do canal infravermelho. Adicionalmente foi feita uma análise da distribuição temporal e espacial da precipitação na Amazônia Oriental utilizando os dados de cinco algoritmos estimadores de precipitação: O Geostationary Environmental SalellitePrecipitation lndex (GPI); o 3B42; 3A12 e 3A25 que são os algoritmos provenientes dos sensores de microondas e do radar meteorológico à bordo do satélite Tropical Rainfall MeasuringMission (TRMM); e o Global Precipitation Climatology Center (GPCC) de janeiro de 1998 a dezembro de 2007. A comparação entre o algoritmo 3B42 com os dados do pluviógrafo da torre mostrou que o estimador 3B42 superestima a precipitação em relação aos dados da torre para todo o período de estudo. Os períodos mais chuvosos foram os trimestres de março-abril-maio (MAM) e dezembro-janeiro-feveireiro (DJF) e os períodos menos chuvosos foram setembro-outubro-novembro (SON) e junho-julho-agosto (JJA). Esta sazonalidade da precipitação se apresenta principalmente devido à influência da Zona de Convergência Intertropical (ZCIT), que contribui de maneira apreciável para a modulação da estação chuvosa na região. A comparação trimestral entre o algoritmo 3B42 e pluviógrafo da torre, mostra que o algoritmo 3B42 superestimou (subestimou) a precipitação em relação ao pluviógrafo em MAM e JJA (DJF e SON); e DJF é o trimestre que apresenta as estimativas de precipitação com valores mais aproximados a precipitação medida na torre micrometeorológica de Caxiuanã. Na média mensal o 3B42 subestima a precipitação de outubro a janeiro e superestima em relação as dados medidos na torre, de março a agosto. O algoritmo3B42 superestimou (subestimou) a precipitação noturna (matutina e vespertina) do ciclo diurno em relação ao pluviógrafo da torre, nas vizinhanças de Caxiuanã. No entanto ambos estimadores mostraram que em média o horário de maior precipitação é por volta das 1800hora local (HL). Além disso, as análises do ciclo diurno médio sazonal indicam que em DJF nos horários de 0900 HL, 1500 HL e 1800HL têm os valores de precipitação estimada pelo algoritmo3B42 mais aproximados aos valores da precipitação medida pontualmente em Caxiuanã. Os meses de novembro a fevereiro têm um máximo principal de precipitação no período vespertino, tanto na torre como no algoritmo 3B42. No período de maio à julho o horário os máximos diurnos de precipitação passam do período da tarde para os da noite e madrugada,modificando o ciclo diurno em comparação aos demais meses. A comparação entre os cinco algoritmos na Amazônia Oriental mostrou diferentes comportamentos entre os estimadores. O algoritmo GPI subestimou s precipitação em relação aos demais algoritmos na região costeira do Amapá e Guiana Francesa e superestimou na região central da Amazônia. Tanto o algoritmo 3A12 quanto o 3A25 apresentaram menor precipitação que os demais algoritmos. O algoritmo 3842, por ser uma combinação de várias estimativas baseadas no canal de microondas e infravermelho, apresenta padrões semelhantes a Figueroa e Nobre (1990). No entanto, o GPCC mostra menos detalhes na distribuição espacial de precipitação nos lugares onde não há pluviômetros como, por exemplo, no Noroeste do Pará. As diferenças entre os algoritmos aqui considerados podem estar relacionados com as características de cada algoritmo e/ou a metodologia empregada. As comparações pontuais de precipitação de um pluviômetro com a média numa área com dados provenientes de satélites podem ser a explicação para as diferenças entre os estimadores nos trimestres ou ciclo diurno. No entanto não se descartam que essas diferenças sejam devidas à diferente natureza da precipitação entre as subregiões, assim como a existência de diferentes sistemas que modulam o ciclo diurno da precipitação na Amazônia Oriental. / This work used precipitation data during January 2000 to September 2007 from the gauge on the micrometeorological tower located in the Ferreira Pena Scientific Station in the Caxiuanã forest. This data was compared with the 3B42 algorithm, an estimate based on microwave to ajust infrared measurements. Additionally, the comparisons were extended do the Eastern Amazonia using five algorithms: The Geostationary Environmental Satellite Precipitation Index (GPI); the 3B42; 3A12 and 3A25 that are based on the sensors of microwave and radar from the Tropical Rainfall Measuring Mission (TRMM) satellite; and the Global Precipitation Climatology Center (GPCC), from January 1998 to December 2007.The comparison between the 3B42 estimates with the gauge showed that the 3B42 algorithm overestimates the precipitation from the gauge for all period. The rainy trimonthly periods were in March-April-May (MAM) and December-January-February (DJF) and the less rainy periods were September-October-November (SON) and June-July-August (JJA), This seasonality of precipitation is caused by the different meteorological systems over the region, especially the Intertropical Convergence Zone (ITCZ) which modulates the rainy season over the region. The seasonal analyses showed that the 3B42 algorithm overestimates (underestimates) the rainfall compared with the gauge in MAM and JJA (DJF and SON); and DJF is the quarter what the estimates of precipitation is closer regarding the gauge measure in micrometeorology tower of Caxiuanã. In the monthly averages, the 3B42 algorithm underestimates the rainfall from October to January and overestimates from Mach to August compared to the gauge. The 3B42 algorithm overestimated (underestimated) the nocturnal (the morning and the afternoon) precipitation compared to the gauge in the six grids around Caxiuanã Reservation. However, both data showed the maximum period of precipitation of the diurnal cycle around 18:00 local time (LT). Also, the analysis of diurnal cycle seasonal average indicate what in DJF to 0900 LT, 1500 LT and 1800 LT have a precipitation estimated for 3B42 algorithm closer to gauge measured punctually in Caxiuanã.. The months of November to February have a major maximum of precipitation in the afternoon in both datasets. In the period from may to July the maximum of precipitation becomes nocturnal and in the early morning, changing the diurnal cycle compared to the other months. The comparisons between the five algorithms over the Eastern Amazonia showed different behaviors among the estimators. The GPI algorithm underestimated the precipitation compared to the other algorithms in the Amapá state and French Guyana; and overestimated in central area of Amazonia. Both estimators from TRMM satellite the 3A12 and 3A25 algorithms, presented less precipitation than the other algorithms. The 3B42 algorithm presented similar pattern of precipitation as that showed by Figueroa e Nobre (1990). However, the GPCC estimator showed less details in the spatial distribution of rainfall in the Northwest of Pará state. The differences between the algorithms here considered might be related to the characteristics of each algorithm and/or the methodology used. The comparison between a locally data from the gauge with the averaged data from satellites might be the explanation for the discrepancies in the seasons or in the diurnal cycle. However, the differences could be due to the differences of the nature of precipitation among the subregions; as systems modulating the diurnal cycle of rainfall over the Eastern Amazonia.