A conversão de áreas florestais em sistemas agrícolas constitui uma das principais alterações do uso da terra nos ecossistemas mediterrânicos, podendo afetar significativamente a qualidade do solo, a biodiversidade e a resiliência ambiental. No Norte Interior de Portugal, a substituição de povoamentos florestais por amendoais em solos frágeis, como os Leptossolos dístricos derivados do granito, levanta preocupações relacionadas com a degradação física e química do solo, nomeadamente perda de matéria orgânica, compactação, erosão e redução da capacidade de retenção de água. Simultaneamente, a adoção de práticas de gestão sustentáveis assume relevância crescente no contexto da adaptação às alterações climáticas e da conservação dos recursos edáficos.

Este trabalho tem como objetivo avaliar os impactos de curto e médio prazo da conversão florestal em amendoal nas propriedades físicas e químicas de Leptossolos derivados do granito, comparando diferentes práticas de gestão do solo. Parte-se da hipótese de que práticas de gestão sustentável do solo, como a aplicação de corretivos orgânicos e a instalação de coberturas vegetais biodiversas, podem atenuar os efeitos negativos associados à mudança de uso do solo. Paralelamente, pretende-se explorar o potencial de técnicas de machine learning na monitorização da qualidade do solo e no apoio à tomada de decisão. O estudo está a ser desenvolvido na freguesia de Vale de Nogueiras (Vila Real, Portugal), através da instalação de quatro parcelas experimentais correspondentes a diferentes estratégias de gestão do solo: controlo, aplicação de corretivos orgânicos, instalação de coberturas verdes biodiversas e mobilização com escarificador. A primeira campanha de amostragem de solo já foi realizada, e as análises laboratoriais dos parâmetros físicos e químicos selecionados estão em curso. A monitorização será realizada anualmente nas profundidades de 0-5, 5-10 e 10-20 cm. Serão avaliados indicadores físicos e químicos associados à qualidade do solo, incluindo densidade aparente, porosidade, estabilidade de agregados, capacidade de retenção de água, matéria orgânica, pH, azoto total, fósforo e potássio extraíveis, bases de troca, acidez de troca e capacidade de troca catiónica.

Os dados obtidos serão integrados em modelos preditivos baseados em machine learning, nomeadamente Random Forest e Gradient Boosting, com o objetivo de identificar fatores determinantes da qualidade do solo e prever riscos de degradação, como erosão, compactação, perda de nutrientes e défice hídrico. Espera-se quantificar a evolução temporal da qualidade edáfica em função das práticas de gestão adotadas e identificar soluções capazes de preservar a estrutura do solo, o teor de matéria orgânica e a disponibilidade de água.

A investigação contribuirá para uma melhor compreensão dos efeitos da conversão florestal em sistemas agrícolas mediterrânicos e para o desenvolvimento de ferramentas de apoio à decisão baseadas em machine learning, promovendo uma gestão mais sustentável dos solos e dos agroecossistemas. Os primeiros resultados permitirão estabelecer uma linha de base para avaliar a evolução temporal da qualidade do solo após a conversão florestal.