1. Introdução

A decomposição é um processo ecossistêmico essencial que garante o funcionamento e manutenção dos ecossistemas, mediada por fatores bióticos e abióticos que garantem a quebra da matéria orgânica morta em dióxido de carbono, água e matéria inorgânica (Chapin III et al., 2002), processo conhecido como ciclo do carbono.

Mais de dois terços do carbono global é armazenado abaixo da terra, e uma quantidade significante do CO2 atmosférico é assimilado pelas plantas e absorvidos pelas raízes encontradas no solo (Hibbard, 2005). Em ecossistemas terrestres, as moléculas orgânicas presentes no solo são decompostas por organismos específicos (decompositores), em um processo que resulta na liberação de energia, gerando a produção de dióxido de carbono (Gabriel, 2011) e metano (Neue, 1993). A decomposição de serapilheira contribui com aproximadamente 70% do fluxo anual de carbono, se tornando um dos principais mantenedores do balanço de carbono na atmosfera (Butenschoen, 2011).

Vários fatores contribuem para o fluxo de CO2 no solo (Hibbard, 2005), por isso, o ambiente físico é de fundamental importância para o controle sobre a dinâmica da matéria orgânica do solo, modulando as atividades microbianas e, portanto, as taxas em que a matéria orgânica é decomposta (Sierra 2017). Porém, essa atividade microbiana nos solos é complexa, já que essa relação varia de acordo com o tipo de solo e suas características particulares, como textura, porosidade, conteúdo de matéria orgânica presente, pH e profundidade (Gabriel, 2011).

Dentre os fatores que influenciam as taxas de decomposição, umidade e temperatura são os mais importantes, tendo grande influência sobre as atividades microbianas no solo (Rodrigo et al., 1997), porém elas sempre se mostram variando juntas in situ, sendo recorrentemente confundidas na tentativa de prever a variação da decomposição do solo, fazendo com que se torne difícil separar seus efeitos em um ambiente natural, o que torna a relação entre umidade do solo e decomposição ainda mais confusa (Davidson et al.; 1998; Fang e Moncrieff, 2001; Rodrigo et al., 1997; Sierra, 2017).


2. Objetivo

O objetivo do projeto foi avaliar como a umidade influencia na atividade de decomposição de matéria orgânica de solo.


3. Materiais e Métodos

O experimento consistiu em enterrar saquinhos de chá (2g) em copinhos de plástico descartável, a fim de avaliar como ocorreria a decomposição dos componentes presentes dentro dos saquinhos (matéria orgânica). O solo utilizado foi coletado em um parque, próximo a uma área de vegetação, na região sul de São Carlos/SP (Figura 1) de coordenadas - 22.04731, -47.89758. Ele ficou armazenado durante dois dias, em condições ambiente, para que secasse, e, após isso, os experimentos foram montados.

Foram montados 06 tratamentos diferentes (Figura 2), com 05 réplicas cada um. Os tratamentos foram montados de maneira igual, com cada copo contendo 150g de solo, sendo que a única diferença entre eles foi em relação à quantidade de água colocada em cada tratamento (Tabela 1).

As quantidades de água indicadas na Tabela 1 foram adicionadas apenas durante a montagem do experimento, com exceção de T6, que, por precisar ser mantido sempre em estado de saturação, recebeu adição de água por mais duas vezes.

As quantidades de água indicadas na Tabela 1 foram adicionadas apenas durante a montagem do experimento, com exceção de T6, que, por precisar ser mantido sempre em estado de saturação, recebeu adição de água por mais duas vezes.

O experimento teve duração total de 12 dias, após isso, as amostras foram retiradas do solo e colocadas em uma estufa, onde ficaram secando por mais dois dias (Figura 3). Somente após esse procedimento que as amostras foram pesadas. Para a pesagem, utilizou-se uma balança modelo Marte A500, o resultado obtido foi subtraído da massa inicial do saquinho (2g) para que se obtivesse a quantidade de massa que foi decomposta.


4. Resultados e Discussões

4.1. Análise Descritiva
# Setando o diretório de trabalho
setwd("C:/Users/Ultron/Documents/Dataset/Relatorio")

# Lendo os dados de trabalho
Decomposicao <- read.csv('Dados.csv', sep = ';')

# Transformando a variável 'Tratamento' em um fator
Decomposicao$Tratamento = factor(x = Decomposicao$Tratamento,
                      levels = c('T1', 'T2', 'T3', 'T4', 'T5', 'T6'),
                      labels = c('Tratamento 1', 'Tratamento 2', 'Tratamento 3', 
                                 'Tratamento 4', 'Tratamento 5', 'Tratamento 6'))

# Visualização de dados
head(Decomposicao, 10)
##      Tratamento Decomposta
## 1  Tratamento 1       0.08
## 2  Tratamento 1       0.00
## 3  Tratamento 1       0.05
## 4  Tratamento 1       0.05
## 5  Tratamento 1       0.06
## 6  Tratamento 2       0.15
## 7  Tratamento 2       0.12
## 8  Tratamento 2       0.09
## 9  Tratamento 2       0.13
## 10 Tratamento 2       0.13



Vamos agora analisar a normalidade dos dados. Lembrando que é preciso analisar a normalidade em cada população. Como temos 6 (Tratameto 1(Saturação em 0%), Tratamento 2 (Saturação em 16,6%), Tratamento 3 (Saturação em 30%), Tratamento 4 (Saturação em 41,6%), Tratamento 5 (Saturação em 66,6%), Tratamento 6 (Saturação em 100%) + atividade), faremos 6 qq-plots e 6 testes de normalidade. 

# Carregando pacotes de dados
library(dplyr)
library(kableExtra)

# Codificando a estatística descritiva
Descritiva <- Decomposicao %>%
  group_by(Tratamento) %>%
  reframe(Frequency = n(),
          Minimum = min(Decomposta, na.rm = TRUE),
          Maximum = max(Decomposta, na.rm = TRUE),
          Mean = mean(Decomposta, na.rm = TRUE),
          Median = median(Decomposta, na.rm = TRUE),
          SD = sd(Decomposta, na.rm = TRUE),
          IQR = diff(quantile(Decomposta, c(1, 3)/4), na.rm = TRUE))
          

# Nomeando a linha 1 da table
names(Descritiva)[1] = c('Status de Tratamento')

# Gerando a tabela da análise descritiva
kbl(Descritiva, digits = 2,
    caption = 'Tabela 2: Estatística descritiva de decomposição de matéria orgânica em gramas (g).') %>%
  kable_styling(bootstrap_options = 'striped', full_width = FALSE, position = 'left')
Tabela 2: Estatística descritiva de decomposição de matéria orgânica em gramas (g).
Status de Tratamento Frequency Minimum Maximum Mean Median SD IQR
Tratamento 1 5 0.00 0.08 0.05 0.05 0.03 0.01
Tratamento 2 5 0.09 0.15 0.12 0.13 0.02 0.01
Tratamento 3 5 0.15 0.24 0.20 0.19 0.04 0.06
Tratamento 4 5 0.25 0.34 0.30 0.29 0.04 0.04
Tratamento 5 5 0.00 0.24 0.09 0.09 0.10 0.14
Tratamento 6 5 0.32 0.51 0.39 0.36 0.08 0.08


Analisando as decomposições médias de cada tratamento, parece haver uma relação positiva entre a umidade do solo e a decomposição de matéria orgânica, já que as médias crescem de forma ascendente, com exceção do tratamento 5, que apresenta um comportamento atípico.

Já em relação à variabilidade dos dados, é possível observar pelo Boxplot que não houve muita variação nos tratamentos, novamente com destaque para o tratamento 5, que visualmente apresenta maior variação, fato que pode ser confirmado quando analisamos o seu coeficiente de variação (CV), que é o maior entre os tratamentos.


4.2. Análises Estatísticas
4.2.1. Anova Oneway

Para verificar se as taxas de decomposição de matéria orgânica do solo são influenciadas pela umidade do solo, foi realizada uma Análise de variância para experimentos completamente aleatorizados com um fator (Anova Oneway). A caracterização da análise está apresentada a seguir:

  • Unidade experimental: saquinhos de chá;
  • Variável resposta: decomposição (g) da matéria orgânica (dos saquinhos de chá);
  • Fator: umidade do solo;
  • Tratamentos: T1, T2, T3, T4, T5 e T6;
  • Nível de significância (\(\alpha\)): 0.05.

Considerou-se os efeitos do tratamento fixo, já que o único interesse é em observar se a umidade do solo influência nas taxas de decomposição da matéria orgânica. O experimento também é balanceado, já que todos os tratamentos foram aplicados ao mesmo número de unidades experimentais.

O modelo utilizado para o teste foi o do desvio médio, apresentado a seguir:

\[Y_{ij} = \mu + \tau_i + 𝛆\] Onde:

\(Y_{ij}\) = Massa decomposta de m. orgânica na \(j\)-ésima unidade experimental do \(i\)-ésimo solo;

\(\mu\) = média global;

\(\tau_{i}\) = efeito da umidade no \(i\)-ésimo solo; e

\(𝛆_{ij}\) = erro aleatório para \(i\)-ésima massa decomposta de m.orgânica do \(j\)-ésimo tratamento.

Definição das hipóteses nula e alternativa

\(H_{0}\): \(\tau_{i} = 0\) para todo \(i=T1, T2,T3,T4,T5,T6\)
(A decomposição média da matéria orgânica é igual para as 6 umidades diferentes do solo)

\(H_{1}\): \(\tau_{i} = 0\) para pelo menos um \(i\)
(Há diferença entre os níveis de umidade do solo em relação à decomposição média da matéria orgânica)

Estatística do teste:

Sob \(H_{0}, F_{0} = \frac{QMTrat}{QME}=F_{5;24}\)

Definição da região crítica (RC)

Considerando que \(H_{0}\) é rejeitada para valores grandes de \(F_{0}\), foi obtido a partir da Tabela F para \(\alpha = 5\%(0.05)\): \(RC:F_{0}>2.62\).

# Criando um tibble somente com as informações do tratamento 1
DecomposicaoA <- Decomposicao |>
  filter(Tratamento == 'Tratamento 1')

# Criando um tibble somente com as informações do tratamento 2
DecomposicaoB <- Decomposicao |>
  filter(Tratamento == 'Tratamento 2')

# Criando um tibble somente com as informações do tratamento 3
DecomposicaoC <- Decomposicao |>
  filter(Tratamento == 'Tratamento 3')

# Criando um tibble somente com as informações do tratamento 4
DecomposicaoD <- Decomposicao |>
  filter(Tratamento == 'Tratamento 4')

# Criando um tibble somente com as informações do tratamento 5
DecomposicaoE <- Decomposicao |>
  filter(Tratamento == 'Tratamento 5')

# Criando um tibble somente com as informações do tratamento 6
DecomposicaoF <- Decomposicao |>
  filter(Tratamento == 'Tratamento 6')


# Carregando pacote
library(ggpubr)


# Criando um qq-plot com o ggpubr para a população 1
qq1 = ggqqplot(DecomposicaoA$Decomposta)

# Criando um qq-plot com o ggpubr para a população 2
qq2 = ggqqplot(DecomposicaoB$Decomposta)

# Criando um qq-plot com o ggpubr para a população 3
qq3 = ggqqplot(DecomposicaoC$Decomposta)

# Criando um qq-plot com o ggpubr para a população 4
qq4 = ggqqplot(DecomposicaoD$Decomposta)

# Criando um qq-plot com o ggpubr para a população 5
qq5 = ggqqplot(DecomposicaoE$Decomposta)

# Criando um qq-plot com o ggpubr para a população 6
qq6 = ggqqplot(DecomposicaoF$Decomposta)


#Carregando pacote
library(gridExtra)


#Plotando os qqplots
grid.arrange(qq1, qq2, qq3, qq4, qq5, qq6, ncol = 2)

# Teste de normalidade para a população 1 (Saturação de 0%)
shapiro.test(DecomposicaoA$Decomposta)
## 
##  Shapiro-Wilk normality test
## 
## data:  DecomposicaoA$Decomposta
## W = 0.88783, p-value = 0.3463
# Teste de normalidade para a população 2 (Saturação de 16,6%)
shapiro.test(DecomposicaoB$Decomposta)
## 
##  Shapiro-Wilk normality test
## 
## data:  DecomposicaoB$Decomposta
## W = 0.93157, p-value = 0.6071
# Teste de normalidade para a população 3 (Saturação de 30%)
shapiro.test(DecomposicaoC$Decomposta)
## 
##  Shapiro-Wilk normality test
## 
## data:  DecomposicaoC$Decomposta
## W = 0.89038, p-value = 0.359
# Teste de normalidade para a população 4 (Saturação de 41,6%)
shapiro.test(DecomposicaoD$Decomposta)
## 
##  Shapiro-Wilk normality test
## 
## data:  DecomposicaoD$Decomposta
## W = 0.98097, p-value = 0.9397
# Teste de normalidade para a população 5 (Saturação de 66,6%)
shapiro.test(DecomposicaoE$Decomposta)
## 
##  Shapiro-Wilk normality test
## 
## data:  DecomposicaoE$Decomposta
## W = 0.90872, p-value = 0.4599
# Teste de normalidade para a população 6 (Saturação de 100%)
shapiro.test(DecomposicaoF$Decomposta)
## 
##  Shapiro-Wilk normality test
## 
## data:  DecomposicaoF$Decomposta
## W = 0.89816, p-value = 0.3998

Com base na análise acima, usando um nível de significância de 5%, concluímos que as amostras são provenientes de distribuições normais.

A seguir, vamos verificar a homocedasticidade, isto é,

Hipótese:

\(H_{0}: \sigma_{1}^{2} = \sigma_{1}^{2} = ... = \sigma_{6}^{6}\)

\(H_{1}:\) Existe pelo menos uma variância diferente.

#Carregando o pacote
library(DescTools)

#Avaliando as variâncias nas seis populações
Decomposicao |> 
  group_by(Tratamento) |> 
  summarise(variâncias = var(Decomposta))
## # A tibble: 6 × 2
##   Tratamento   variâncias
##   <fct>             <dbl>
## 1 Tratamento 1    0.00087
## 2 Tratamento 2    0.00048
## 3 Tratamento 3    0.00155
## 4 Tratamento 4    0.00123
## 5 Tratamento 5    0.0103 
## 6 Tratamento 6    0.0059
LeveneTest(y = Decomposicao$Decomposta, 
           group = Decomposicao$Tratamento, 
           center = "mean")
## Levene's Test for Homogeneity of Variance (center = "mean")
##       Df F value  Pr(>F)  
## group  5  3.2988 0.02083 *
##       24                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Avaliando as estimativas pontuais, aparentemente o ‘Tratamento 5’ possui uma variância para a idade maior, e este resultado se confirma com o teste de Levene. Com base em um nível de significância de 5%, rejeitamos a hipótese de igualdade das variâncias.

Após checarmos normalidade e homocedasticidade, podemos comparar as médias de decomposição Notem que, se alguma população não possuísse normalidade e/ou não fosse detectado homocedasticidade não poderíamos prosseguir com a análise.

No problema levantado queremos testar as seguintes hipóteses.

Hipótese:

\(H_{0}: \mu_{1}^{2} = \mu_{1}^{2} = ... = \mu_{6}^{6}\)

\(H_{0}:\) *Existe pelo menos uma média diferente.

Vamos realiazar uma análise exploratória dos dados, antes de realizarmos o teste de comparação de médias.

# Comparando os tratamentos descritivamente
Decomposicao |> 
  group_by(Tratamento) |> 
  reframe(medias = mean(Decomposta))
## # A tibble: 6 × 2
##   Tratamento   medias
##   <fct>         <dbl>
## 1 Tratamento 1  0.048
## 2 Tratamento 2  0.124
## 3 Tratamento 3  0.2  
## 4 Tratamento 4  0.296
## 5 Tratamento 5  0.094
## 6 Tratamento 6  0.39
# Carregando pacotes
library(ggplot2)

# Comparando os grupos graficamente
ggplot(data = Decomposicao, aes(x = Tratamento, y = Decomposta)) +
  geom_boxplot()+
  labs(y = 'Massa decomposta (g)', x = 'Tipo de tratamento')

A partir da observação dos gráficos, podemos considerar que as três suposições foram atendidas.

# Realizando o teste de comparação das médias
Analise = aov(formula = Decomposta ~ Tratamento, 
            data = Decomposicao)

# Visualizando o resultado
summary(Analise)
##             Df Sum Sq Mean Sq F value   Pr(>F)    
## Tratamento   5 0.4252 0.08505   25.12 8.27e-09 ***
## Residuals   24 0.0812 0.00338                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

A partir dos resultados observados na tabela ANOVA, é possível concluir que: como \(F_0\) pertence a região crítica e \(p-value < 0.05\), \(H_{0}\) é rejeitada. Ou seja, ao nível de significância de 5%, há evidências de que a decomposição média do chá varia de acordo com a umidade do solo.

4.3. Teste de Tuckey

Após verificado que há evidências de que a decomposição média do chá é diferente para pelo menos um dos seis níveis de umidade do solo, foi realizado o teste de comparações médias dois a dois (Teste de Tukey) para identificar onde estão as diferenças.

Foi estabelecido o valor do DMS (diferença mínima significativa) entre duas médias. Dessa forma, toda vez que o valor absoluto da diferença entre duas médias for maior que o DMS, considera-se que as médias são diferentes estatisticamente ao nível de significância estabelecido (no caso, 5%).

\[DMS = q_a(a, f)\sqrt{\frac{QME}{n}} = 4,37\sqrt{\frac{0,003}{5}}=0,113\] Testando as diferenças médias duas a duas:

# Realizando o teste de Tuckey
TukeyHSD(x = Analise)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = Decomposta ~ Tratamento, data = Decomposicao)
## 
## $Tratamento
##                             diff         lwr         upr     p adj
## Tratamento 2-Tratamento 1  0.076 -0.03777298  0.18977298 0.3375566
## Tratamento 3-Tratamento 1  0.152  0.03822702  0.26577298 0.0045175
## Tratamento 4-Tratamento 1  0.248  0.13422702  0.36177298 0.0000078
## Tratamento 5-Tratamento 1  0.046 -0.06777298  0.15977298 0.8080006
## Tratamento 6-Tratamento 1  0.342  0.22822702  0.45577298 0.0000000
## Tratamento 3-Tratamento 2  0.076 -0.03777298  0.18977298 0.3375566
## Tratamento 4-Tratamento 2  0.172  0.05822702  0.28577298 0.0011922
## Tratamento 5-Tratamento 2 -0.030 -0.14377298  0.08377298 0.9618325
## Tratamento 6-Tratamento 2  0.266  0.15222702  0.37977298 0.0000025
## Tratamento 4-Tratamento 3  0.096 -0.01777298  0.20977298 0.1335995
## Tratamento 5-Tratamento 3 -0.106 -0.21977298  0.00777298 0.0780002
## Tratamento 6-Tratamento 3  0.190  0.07622702  0.30377298 0.0003556
## Tratamento 5-Tratamento 4 -0.202 -0.31577298 -0.08822702 0.0001591
## Tratamento 6-Tratamento 4  0.094 -0.01977298  0.20777298 0.1479972
## Tratamento 6-Tratamento 5  0.296  0.18222702  0.40977298 0.0000004

Assim, ao nível de significância global de 5%, temos evidências que:

  • a massa média decomposta em T1 é igual à massa média decomposta nos tratamentos T2 e T5 e menor que a massa média decomposta nos tratamentos T3, T4 e T6.
  • a massa média decomposta em T2 é igual à massa média decomposta nos tratamentos T3 e T5 e menor que a massa média decomposta nos tratamentos T4 e T6.
  • a massa média decomposta em T3 é igual à massa média decomposta nos tratamentos T4 e T5 e menor que a massa média decomposta no tratamento T6.
  • a massa média decomposta em T4 é igual à massa média decomposta no tratamento T6 e maior que a massa média decomposta no tratamento T5.
  • a massa média decomposta em T5 é menor que a massa média decomposta no tratamento T6.

A partir dos resultados obtidos, também foram construídos intervalos de confiança, que permite que seja obtida uma estimativa intervalar para a diferença entre as médias.

library(ggpubr)

ggline(Decomposicao, 
       x = 'Tratamento', 
       y = 'Decomposta',
       add = c("mean_se", "jitter"),
       xlab = "Tratamento",
       ylab = "Decomposição Orgânica (g)")

5. Considerações Finais

O estudo averiguou que a quantidade de água exerce uma forte influência nas taxas de decomposição, que tende a aumentar de acordo com o acréscimo de água. O processo de decomposição da matéria orgânica no sexto tratamento (cultura saturada) foi mais acelerada, atingindo os maiores níveis de matéria decomposta (0,39 g em média). Porém, quando olhamos para o tratamento cinco, esse modelo apresenta uma discrepância, pois a massa decomposta foi, em média, menor que a observada nos tratamentos quatro, três e dois.

Por se tratar de um experimento realizado em pequena escala e com poucos tratamentos, ele está sujeito a apresentar variações nos resultados finais, sendo mais susceptíveis a erros, como por exemplo a discrepância observada nas massas decompostas do tratamento cinco. Além disso, o estudo pode ter apresentado erros durante a limpeza e pesagem das amostras, após passarem pela estufa, fato que também pode ter interferido no resultado final.

Porém, de maneira geral, o estudo contribuiu para entender ao menos uma parte da relação existente entre quantidade de água presente no solo e a sua taxa de decomposição, abrindo espaço para novas abordagens e novos experimentos em diferentes escalas.

6. Referências

BUTENSCHOEN, O.; SCHEU, S.; EISENHAUER, N. Interactive effects of warming, soil humidity and plant diversity on decomposition and microbial activity. Soil Biology and Biochemistry, v. 43, p. 1902-1907, 2011.

CHAPIN III, F. S.; MATSON, P. A.; MOONEY, H. A. Principles of terrestrial ecosystem ecology. New York: Springer, 2002. DAVIDSON, E.; BELK, E.; BOONE, R. Soil water content and temperature as independent or confounded factors controlling soil respiration in a temperate mixed hardwood forest. Global Change Biol., v. 4, p. 217–227, 1998.

FANG, C.; MONCRIEFF, J. The dependence of soil CO2 efflux on temperature. Soil Biology and Biochemistry, v. 33, p. 155–165, 2001.

GABRIEL, C. E.; KELLMAN, L. Examining moisture and temperature sensitivity of soil organic matter decomposition in a temperate coniferous forest soil. Biogeosciences, v. 8, p. 1369- 1409, 2011.

HIBBARD, K.; LAW, B.; REICHESTEIN, M.; SULZMAN, J. An analysis of soil respiration across northern hemisphere temperate ecosystems. Biogeochemistry, v. 73, p. 29–70, 2005. NEUE, H. U. Wetland rice fields may make a major contribution to global warming. BioScience, v. 43, n. 7, p. 466-474, 1993.

RODRIGO, A.; RECOUS, S.; NEEL, C.; MARY, B. Modelling temperature and moisture effects on C-N transformations in soils: comparison of nine models, Ecol. Model., v.102, p. 325–339, 1997.

SIERRA, C. A.; MALGHANI, S.; LOESCHER, W. H. Interactions among temperature, moisture, and oxygen concentrations in controlling decomposition rates in a boreal forest soil. Biogeosciences, v. 14, p. 703-710, 2017.