Variabilidade espacial de atributos químicos do solo a partir de diferentes malhas
amostrais em duas
safras agrícolas
Eraldo Fernandes Leandro Junior
1
, Ricardo Manoel Cordeiro da Cunha
2
, Jackeline Matos do Nascimento
3
,
Sálvio Napoleão
Soares Arcoverde4, Mateus Luiz Secretti5
DOI: https://doi.org/10.35699/2447-6218.2020.25115
Resumo
O trabalho foi desenvolvido com o objetivo de estudar a variabilidade espacial da fertilidade do solo na cultura da soja (Glycine
max (L.) Merrill) em um Latossolo Vermelho Distrófico. As amostras de solo foram coletadas com auxílio do aplicativo de
smartphone C7 GPS Dados e C7 GPS Malha. No primeiro ano, fez-se uso de uma grade amostral de 1:3 na malha de
amostragem e no ano posterior esta grade amostral foi de 1:5. No primeiro ano agrícola, foi necessário um manejo mecânico
do solo com sua correção. Em ambos os anos agrícolas, coletas e análises foram feitas antes da implantação da cultura da
soja, e de posse destes dados foram realizados a análise exploratória, que teve como objetivo realizar o cálculo de estatística
descritiva. Para a classificação da variabilidade dos atributos analisados foi utilizado o coeficiente de variação (CV), e
aplicada a geoestatística, com a qual foram ajustados modelos matemá- ticos tendo como critérios o maior coeficiente de
determinação (R²) e menor soma de quadrados de resíduos para um melhor ajuste de semivariograma. A redução da
densidade amostral de 1:3 com alcance máximo de 173 m para 1:5 com alcance máximo de 223 m, mostrou-se viável atestado
pela geoestatística, mantendo sua alta precisão, forte dependência espacial e reduzindo o custo.
Palavras-Chave:
Dependência espacial. Geoestatística. Krigagem. Latossolos. Semivariogramas.
Spatial variability of soil chemical atributes from different sampling grid in two
agricultural
seasons
Abstract: This research had as objective the study of spatial variability of chemical properties of the soil soybean culture
(Glycine max (L.) Merrill) in a typic haplorthox. The soil samples were collected with the aid of smartphone app C7 GPS
Dados e C7 GPS Malha. In the first year, a sampling grid of 1: 3 was used in the sampling grid and in the subsequent year
this sampling grid was 1: 5. In the first agricultural year, mechanical soil management was ne- cessary with its correction. In
both agricultural years, collections and analyzes were made before the implantation of the soybean crop, and in possession of
these data, exploratory analysis was carried out, which aimed to perform the calculation of descriptive statistics. For the
classification of the variability of the analyzed attributes, the coefficient of variation (CV) was used, and geostatistics was
applied, with which mathematical models were adjusted with the criteria of the high coefficient of determination (R²) and the
low sum of squares of residues for a better adjustment of the semivariogram. The reduction of the sample density from 1: 3
with a maximum range of 173 m to 1: 5 with a
1Centro Universitário da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0002-7039-2447
2Centro Universitário da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0003-2332-6639
3Centro Universitário da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0001-5863-4450
4Universidade Federal da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0002-0453-4566
5Centro Universitário da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0001-9538-4104
*Autor para correspondência: salvionapoleao@gmail.com
Recebido para publicação em 03 de setembro de 2020. Aceito para publicação em 29 de setembro de 2020.
e-ISSN: 2447-6218 /
ISSN: 2447-6218. Atribuição CC BY.
2
Leandro Junior, E. F. et al.
maximum range of 223 m, proved to be viable, attested by geostatistics, maintaining its high precision, strong spatial
dependence and reducing the cost.
Keywords:
Spatial dependence. Geostatistics. Kriging. Oxisol. Semivariograms.
Introdão
A soja (Glycine max (L) Merrill) é uma das prin-
cipais culturas produzidas no Brasil, com área plantada
distribuída nas diferentes regiões do país. Nos últimos 40 anos,
o setor agropecuário vem experimentando profunda
transformação, com adoção de novas tecnologias e ferra-
mentas envolvidas no gerenciamento da propriedade rural
(Trentin et al., 2018). Devido ao grau de tecnificação e
padronização para o cultivo da soja, apesar das variações na
área cultivada, não produzem queda na produtividade
da
leguminosa (Freitas; Mendonça, 2016).
coletas e análise, por meio de custo/benefício, pois um
maior
número de amostras aumenta o custo de operação
(Bolfe;
Gomes, 2005).
As ações de gestão na agricultura para aplicações
de
insumos ou recomendações de tratos culturais são
precedidas de uma etapa de investigação sobre a lavoura, nessa
etapa são coletados dados que auxiliam na tomada
de decisão
de necessidade da cultura por insumos ou tratos culturais
(Molin et al., 2015).
A grande demanda no mercado internacional
proporcionou rápida expansão dessa cultura no Brasil, que
ocorreu pela tomada de áreas cultivadas com ou- tras
culturas e, principalmente, da conquista de novas fronteiras
agrícolas (Freitas; Mendonça, 2016). O pro- dutor tem
incrementado o uso de tecnologia a fim de aumentar a
produtividade e, dessa forma, melhorar sua rentabilidade.
Assim, a produtividade da soja passou de 2.823 kg ha-1 na
safra 2006/07, para produção recorde
3.394 kg ha-1 na safra 2017/18, um aumento de 20%, já na
safra 2018/19 a produção foi de 3.206 kg ha-1, a estimativa
para este ano agrícola (2019/20) é de 3.292 kg ha-1
(CONAB, 2019).
Portanto, este trabalho tem como objetivo estudar
a
variabilidade espacial da fertilidade do solo na cultura da soja
(Glycine max (L.) Merrill) em um Latossolo Ver- melho
Distrófico.
Material e métodos
Caracterização da área experimental
O trabalho foi conduzido na fazenda Laranja Doce
no município de Itaporã - MS, em uma área de 70 hectares,
situado em latitude de 22°1’7.71”S, longitude
de
54°48’8.76 O e altitude de 351 metros, com topogra-
fia
plana. O solo da área é classificado como Latossolo
Vermelho Distrófico, cuja granulometria, na camada de
0,00-0,20 m, é composta de 571 g kg
-1
de argila, 67 g kg
-1
de
silte e 362 g kg-1 de areia. O clima é semelhante ao da região
de Dourados - MS, Cwa, ou seja, mesotérmico úmido, verões
quentes e invernos secos (Alvares, 2013).
Dentre os meios usados para elevar a produtivi-
dade
está a agricultura de precisão (AP), que engloba um
conjunto
de ferramentas e tecnologias que permitem o
gerenciamento
agrícola baseado na variabilidade espacial e temporal da
unidade produtiva, visando ao aumento de
retorno econômico
e à redução do impacto ao ambiente (Brasil, 2017).
O talhão onde foi desenvolvido o trabalho era
utilizado para pastagem, e então para o primeiro ano
agrícola de cultivo da soja, foi realizado um manejo me-
cânico do solo com grades subsoladoras e niveladoras e,
logo após foi realizado o manejo de correção do solo, sendo
aplicado 2 Mg ha-1 de calcário dolomítico (85% de PRNT),
1 Mg ha-1 de gesso e 150 kg ha-1 de cloreto de potássio a
lanço.
Podem-se citar como as principais tecnologias ou
operações agrícolas referidas como AP, os sistemas de guia e
automação agrícola, manejo fitossanitário, amos- tragem de
solo, sistemas de corretivos e fertilizantes em taxa variável,
semeadura em taxa variável, mapeamento de produtividade e
sensoriamento. A prática de AP mais disseminada no Brasil,
atualmente, consiste da amostra- gem de solo
georreferenciada para o mapeamento da fertilidade dos
talhões de cultivo (Resende et al., 2014).
Coleta de amostras de solo
Para a caracterização química do solo através da
geoestatística, executou-se a coleta do solo, com o aplica- tivo
para smartphone C7 GPS Dados 1.0 para medição da área e C7
GPS Malha 1.1, desenvolvidos pelo Laboratório
de Geomática
da Universidade Federal de Santa Maria - UFSM, que tem
como uma das funções gerar malha de
amostragem. Na safra
2018/19, fez-se uso de uma grade
amostral de 1:3 (1 ponto a
cada 3 hectares) na malha de amostragem e no ano posterior
uma grade amostral de 1:5 (1 ponto a cada 5 hectares). Nos
dois anos agrícolas
A ferramenta de análise geoestatística se constitui
na
maneira mais correta que se tem conhecimento para analisar
a variabilidade espacial (Santos et al., 2017), através do
mapeamento de atributos do solo. Um fator primordial para
aplicação da geoestatística é que a AP contempla a obtenção
de dados com as correspondentes
coordenadas geográficas,
permitindo que haja navegação sobre áreas agrícolas. Os dados
georreferenciados podem
ser obtidos por meio de coletas
localizadas, imagens satelitárias ou fotografias por
VANTS. Deve-se realizar
Cad. Ciênc. Agrá., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115
3
Variabilidade espacial de atributos químicos do solo a partir de diferentes malhas amostrais em duas safras agrícolas
a amostragem foi realizada antes do preparo mecânico de
solo.
de cada ponto foram compostas de cinco subamostras
homogeneizadas. Ao finalizar o processo de coleta das
amostras, estas foram encaminhadas para o laboratório
de
análise de solos foram avaliados os atributos químicos
Fósforo
(P) disponível; Potássio (K+) disponível; Cálcio (Ca2+)
trocável; Magnésio (Mg2+) trocável; Capacidade de Troca de
Cátions (CTC); Saturação por Bases (V%), Acidez ativa
(pH) e acidez potencial trocável (Al3+) de acordo com a
metodologia de Raij et al. (2001).
Com a malha amostral definida, a navegação foi
realizada através do aplicativo C7 GPS Malha 1.1 com
finalidade de localizar os pontos georreferenciados nos quais
se realizou a coleta das amostras de solo. Um trado de rosca
motorizado foi utilizado para coletar as
amostras na camada
de 0,0-0,2 m, sendo que as amostras
Figura 1 Área demarcada onde foi realizado o trabalho.
Posteriormente as coletas, em ambas as safras
agrícolas, foi semeada a cultivar de soja M6410 IPRO com
espaçamento entre linhas de 0,45 m, 13,5 plantas por metro,
300 kg ha-1 de adubo formulado 04-30-10 no suco de plantio.
das duas análises, juntamente com seu alcance e grau de
dependência espacial (Tabela 2). Os atributos avaliados nas
safras 2018/2019 e 2019/2020 foram: sforo (P)
disponível; Potássio (K+) disponível; Cálcio (Ca2+) trocá- vel;
Magnésio (Mg2+) trocável; Capacidade de Troca de Cátions
(CTC); Saturação por Bases (V%), Acidez ativa (pH) e
acidez potencial trocável (Al3+).
Estatística descritiva, geoestatística e confecção de
mapas
Os valores médios dos atributos químicos do solo
foram classificados de acordo com Sousa e Lobato (2004),
na safra 2018/2019, em adequado para P (8,1 a 12,0 mg dm-
3), pH (4,9 a 5,5), Ca2+ (1,5 a 7,0 cmolc
dm-3), Mg2+ (0,5 a 2,0 cmolc dm-3) e CTC (9,1 a 13,5 cmolc
dm-3); alto para K+ (>80 mg dm-3) e MOS (>25g dm-3); muito
alto para V% (≥71%); e médio para Al3+ (0,02 a 1,5 cmolc
dm-3). Na safra 2019/2020, o P teve um aumento e passou a
ser classificado como alto teor no solo; Ca2+, Mg2+, CTC e
pH mantiveram-se em níveis adequados, assim como K+,
V% e M.O permaneceram com alto teores no solo. O Al3+
passou a ter teor baixo.
Com o auxílio do programa GS+ 7.0 (Gamma
Design Software, 2012) realizou-se, para todos os dados dos
atributos químicos do solo, além da estatística des- critiva
(média, desvio padrão, coeficiente de variação, valor
mínimo, valor máximo, coeficiente de assimetria e
coeficiente
de curtose), a Geoestatística (Modelo de Semi- variograma;
Efeito Pepita; Patamar; Alcance; Coeficiente
de
Determinação; Grau de Dependência Espacial; Soma de
Quadrado de Resíduo). A partir de então foi proces- sado o
programa de computador ArcGIS 10.1 (Instituto de Pesquisa
de Sistemas Ambientas - ESRI, 2012) para a geração dos
mapas.
Na análise descritiva, a média aritmética deve estar
sempre acompanhada do desvio padrão para que se possa
visualizar a dispersão média dos valores (Gui-
marães, 2004).
Para fins de comparação, foram adotados
os limites de
coeficiente de variação (CV) propostos por
Dalchiavon et al
(2012), para a classificação da variabili- dade dos atributos
analisados, sendo: baixo (CV <10%),
médio (10% < CV <
20%), alta (20% < CV < 30%) e
muito alta (CV > 30%). Desta forma, observa-se que no
primeiro ano, classificou-se como baixo para MOS e pH;
médio para CTC e V%; alta para Ca2+ e Mg2+ e muito
Resultados e discussão
Nos dois anos agrícolas, as coletas e análises
foram feitas antes da implantação da cultura da soja, e de
posse destes dados foram realizados a análise ex- ploratória,
esta que teve como objetivo os parâmetros da estatística
descritiva, como a média, o desvio pa- drão, o coeficiente
de variação, o valor mínimo, o valor máximo, o coeficiente
de assimetria e o coeficiente de curtose (Tabela 1). Com
isso comparou-se os resultados
Cad. Ciênc. Ag., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115
4
Leandro Junior, E. F. et al.
alta para P, K+ e Al3+. No segundo ano, houve alterações na
classificação, em que o pH manteve-se baixo; CTC e V%
mantiveram-se médio, porém a MOS também foi
classificada como média; o Mg
2+
permaneceu com CV alto
e P,
K+, Al3+ juntamente com o Ca2+ foram classificados com CV
muito alto.
distribuição fica à direita, indicando a ocorrência de valo- res
altos com baixa frequência, esse tipo de distribuição é
denominada assimétrica positiva ou à direita. a CTC, P,
K+, MOS e Al3+ a distribuição também é assimétrica, que
agora, a maior concentração de dados está nos valores mais
altos, a cauda mais longa da distribuição fica à esquerda,
esse tipo de distribuição é denominada assimétrica negativa
ou à esquerda (Artes, 2014). No segundo ano agrícola, os
atributos CTC, P, K+, Al3+, Ca2+, V% e pH foram classificados
como assimétrica positiva ou à direita, enquanto o Mg2+ e
MOS como assimétrico negativa ou à esquerda.
O coeficiente de assimetria é utilizado para ca-
racterizar como e quanto a distribuição de frequências se
afasta da simetria (Guimarães, 2004). Os atributos Ca2+,
Mg2+, V% e pH indicaram uma alta concentração de dados
nos valores mais baixos, a cauda mais longa da
Tabela 1 Estatística descritiva de atributos químicos do solo na Fazenda Laranja Doce (Itaporã - MS)
SAFRA 2018-2019
Variável
Média
CV
%
Desvio Padrão
Mínimo
Máximo
Assimetria
Curtose
CTC1
P
2
K
1
Ca1
Mg1
V%
MOS
pH CaCl2
Al1
11,66
9,22
0,45
6,88
1,49
71,96
23,09
5,59
0,02
17,23
36,11
37,77
26,74
24,16
11,68
7,23
6,79
300
2,01
3,33
0,17
1,84
0,36
8,41
1,67
0,38
0,06
8,00
5,20
0,15
2,90
0,70
49,00
20,10
4,60
0,00
15,00
18,90
0,79
10,60
2,20
85,00
26,80
6,20
0,33
0,07
1,08
0,15
-0,11
-0,10
-0,80
0,02
-0,83
4,18
-1,02
1,00
-0,76
-0,39
-0,45
0,47
-0,40
0,23
17,25
SAFRA 2019-2020
Variável
Média
CV
%
Desvio Padrão
Mínimo
Máximo
Assimetria
Curtose
CTC1
P
2
K
1
Ca1
Mg1
V%
MO
S
pHCaCl2
Al1
10,31
23,00
0,31
5,10
1,29
63,56
25,87
5,40
0,01
15,61
63,21
45,16
32,74
26,35
16,51
19,67
6,66
500
1,61
14,54
0,14
1,67
0,34
10,50
5,09
0,36
0,05
7,60
14,00
0,13
2,90
0,60
47,00
18,00
4,90
0,00
12,80
63,00
0,59
7,90
1,80
80,00
34,00
6,10
0,20
0,17
2,08
0,47
0,41
-0,24
0,10
-0,01
0,35
3,61
-1,10
2,78
-0,92
-1,22
-0,98
-1,28
-1,25
-1,10
11,07
*1cmol dm-3; 2mg.dm-3; 3g.dm-3, MOS: matéria orgânica do solo; CV: coeficiente de variação.
O coeficiente de curtose ou achatamento mede a
concentração ou dispersão dos valores de um conjunto de
valores em relação às medidas de tendência central em
uma
distribuição de frequências conhecida (a distribuição
Normal).
Nas das duas safras, os atributos CTC, P, K+, Ca2+, V%, pH,
Mg2+ e MOS apresentaram coeficiente de curtose com
distribuição do tipo Platicúrtica quando apresenta uma
medida de curtose menor que a da distri-
buição normal. O Al
3+
entregou um coeficiente de curtose
com
distribuição Leptocúrtica - quando apresenta uma medida
de curtose maior que a da distribuição normal.
Através dos modelos de variabilidade espacial dos
atributos aumenta-se a eficácia das formas de amos-
tragem
do solo, podendo ser aplicado esse conhecimento
também na
área da estatística experimental, locação das
Cad. Ciênc. Agrá., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115
5
Variabilidade espacial de atributos químicos do solo a partir de diferentes malhas amostrais em duas safras agrícolas
unidades experimentais com maior controle local e assim
realizar melhores coletas de amostras e assertividade na
interpretação de resultados (Leão et al., 2007). Segundo
Souza
et al. (1997), o estudo da dependência espacial
dos atributos
do solo pode reduzir o número de amostras em relação ao uso
dos procedimentos amostrais definidos
na estatística clássica.
Modelos teóricos como o esférico, o exponencial
e o
gaussiano foram testados para o ajuste do semivario- grama
escalonado pela variância dos dados, definindo os
parâmetros: efeito pepita (CO), o patamar (CO+C) e o
alcance da dependência espacial (a) (Tabela 2). Para a escolha
do modelo de melhor ajuste, utilizou-se a menor soma do
quadrado dos resíduos (SQR) e o maior coefi- ciente de
determinação (R2) (Lima et al., 2010).
Tabela 2 Parâmetros do semivariogramas ajustados aos dados dos atributos químicos do solo na Fazenda Laranja Doce
(Itaporã MS)
SAFRA 2018-2019
Variável
Modelo
CO
C
O
+C
GDE%
a(m)
R
2
SQR
CT
C P
K
Ca
Mg
V%
MO
S
pHCaCl2
Al
Gaussiano
Exponencial
Gaussiano
Gaussiano
Gaussiano
Gaussiano
Gaussiano
Linear
Gaussiano
0,590
6,190
0,016
0,850
0,043
31,700
1,672
0,087
8,7E-04
5,512
15,810
0,040
4,651
0,190
10,400
4,708
0,141
0,003
10,70
39,15
40
18,27
22,63
30,36
35,5
61,70
24,38
73,76
1254
815,79
788,08
840
1174,33
1252,27
561,78
659,91
1,00
0,986
0,999
1,00
0,998
0,990
0,997
0,963
1,00
4,44E-04
0,0836
1,25E-07
8,15E-04
9,39E-06
4,66
1,75E-03
2,34E-05
7,21E-11
SAFRA 2019-2020
Variável
Modelo
CO
C
O
+C
GDE%
a(m)
R
2
SQR
CT
C P
K
Ca
Mg
V%
MO
S
pHCaCl2
Al
Gaussiano
Esférico
Gaussiano
Gaussiano
Gaussiano
Gaussiano
Linear
Gaussiano
Linear
0,70
0,900
1E-05
0,10
1E-04
0,100
1,95
1E-04
0,002
4,60
268,00
0,02
4,20
0,14
146,30
36,08
0,17
0,002
15,21
0,33
0,03
2,38
0,06
0,07
5,40
0,05
100
898,93
471
479,77
649,51
498,83
559,45
662,92
531,73
662,72
1,00
0,754
0,992
0,999
0,992
0,989
1,00
0,974
0,392
5,67E-04
1216
7,15E-07
6,40E-03
2,32E-05
45,1
0,0725
1,35E-04
1,46E-08
*CO: efeito pepita; CO+C: patamar; a: alcance; R2: coeficiente determinação; GDE: grau de dependência espacial; SQR: Soma de quadrado de resí- duo; MOS:
matéria orgânica do solo.
Analisando os mapas de espacialização dos atri-
butos químicos do solo (Figura 2), para as safras 2018-19 e
2019-20, observou-se influência das práticas de manejo
químico e mecânico do solo sobre a variabilidade espacial
dos
elementos na área experimental. Outro aspecto que
influencia no conhecimento detalhado da propriedade rural
é a densidade amostral. Em relação à densidade amostral,
com sua redução, de 1:3 para 1:5, observou-
-se, em geral, redução nos teores dos elementos, o que
acarretou em decréscimo de soma de bases, pH e CTC,
exceto para o P que aumentou no segundo ano.
Ressalta-se que a predominância de classes com
maiores valores de bases trocáveis ao longo da área do
estudo, no primeiro ano, contribuiu para a leve elevação
do
pH, concordando com Dalchiavon et al. (2012) em um
Latossolo Vermelho Distroférrico sob plantio direto, e com
Leite et al. (2018) em um Latossolo Vermelho-Amarelo
Distrófico.
Cad. Ciênc. Ag., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115
6
Leandro Junior, E. F. et al.
Figura 2 Mapas de CTC. Safras 2018-19 (A) e 2019-20 (B)
Figura 3 Mapas de Fósforo. Safras 2018-19 (A) e 2019-20 (B)
Figura 4 Mapas de Cálcio. Safras 2018-19 (A) e 2019-20 (B)
Cad. Ciênc. Agrá., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115
7
Variabilidade espacial de atributos químicos do solo a partir de diferentes malhas amostrais em duas safras agrícolas
Figura 5 Mapas de Potássio. Safras 2018-19 (A) e 2019-20 (B)
Figura 6 Mapas de Magnésio. Safras 2018-19 (A) e 2019-20 (B)
Figura 7 Mapas de Saturação de Bases - V%. Safras 2018-19 (A) e 2019-20 (B)
Cad. Ciênc. Ag., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115
8
Leandro Junior, E. F. et al.
Figura 8 Mapas de pH. Safras 2018-19 (A) e 2019-20 (B)
Figura 9 Mapas de Alumínio. Safras 2018-19 (A) e 2019-20 (B)
Figura 10 Mapas de Matéria Orgânica. Safras 2018-19 (A) e 2019-20 (B)
Cad. Ciênc. Agrá., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115
9
Variabilidade espacial de atributos químicos do solo a partir de diferentes malhas amostrais em duas safras agrícolas
De acordo com Caon e Genú (2013), a diminuição da
densidade amostral baixa a qualidade de exatidão dos
mapas a
níveis não desejados na agricultura de precisão. Por outro
lado, o aumento da mesma não acarretaria grandes ganhos
em precisão, poderia inviabilizar o pro- cesso de
amostragem pelo intenso trabalho de coleta e custo com
análises aumentando a relação custo benefí- cio. Os autores
analisaram diferente densidade amostral que ofereça precisão
nos mapas de atributos químicos e mensuraram sua
implicação prática na adubação e cala- gem para a cultura da
soja, na região de Guarapuava. E,
observaram que, na
densidade amostral de uma amostra
a cada 1 ha, os atributos apresentaram boa qualidade de
exatidão em relação aos mapas gerados com a maior
densidade amostral (4 ha).
Conclusão
A redução da densidade amostral de 1:3 com
alcance máximo de 173 metros para 1:5 com alcance
máximo de 223 metros, mostrou-se viável atestado pela
geoestatística, mantendo sua alta precisão, forte depen-
dência espacial e reduzindo o custo.
Referências
Alvares C. A.; Stape J. L.; Sentelhas P. C.; de Moraes Gonçalves J. L.; Sparovek G.
2013.
ppen’s climate classification map for Brazil. Meteorologische Zeitschrift,
22:711728.
Doi: https://doi.org/10.1127/0941-2948/2013/0507.
Instituto de Pesquisa de Sistemas Ambientas - ESRI. 2012. ArcGIS 10.1 Software.
Califórnia: Redlands.
Leão, A. B.; Andrade, A. R. S.; Chaves, L. H. G; Chaves, I. B.; Guerra, H. O. C.
2007. Variabilidade espacial de fósforo em solo do perímetro irrigado Engenheiro
Arcoverde, PB. Revista Ciência Agronômica, 38:16.
Artes. R. 2014. Coeficiente de Assimetria. São Paulo. Disponível em: <https://
www.insper.edu.br/docentes/rinaldoartes/wpcontent/uploads/sites/14/2014/09/
Medidas-
de-forma-Assimetria_2014.pdf>. Acesso em: 05 mai. 2020.
Leite, O. C.; Melo, M. S.; Oliveira, L. N.; Costa Sobrinho, M. R.; Melo, B. S. 2018.
Influência de dosagens de calcário em um Latossolo Vermelho-Amarelo
Distrófico no
Sul de Tocantins. Enciclodica Biosfera, 15:640650. Doi: 10.18677/
EnciBio_2018B55.
Bolfe, E. L.; Gomes, J. V. B. 2005. Geoestatística subsidia agricultura de precisão.
Página rural. Disponível em: <http://www.paginarural.com.br/artigo/998/
geoestatistica-subsidia-agricultura-de-precisao>. Acesso em: 29 ago. 2019.
Brasil. 2017. Ministério da Agricultura, Pecuária e Abastecimento - MAPA.
Agricultura de precisão 19. Brasília, 2017. 15p. Disponível em: <http://www.
agricultura.gov.br/assuntos/ camaras-setoriais-tematicas/documentos/camaras-
setoriais/florestas-plantadas/anos-anteriores/agricultura-de-precisao-19.pdf/ view>.
Acesso em: 23 set. 2019.
Lima, J. S. S.; Souza, G. S.; Silva, S. A. 2010. Amostragem e variabilidade espacial de
atributos qmicos do solo em área de vegetação natural em regenerão. Revista
árvore, 34:
127136. Doi: https://doi.org/10.1590/S0100-67622010000100014.
Molin, J. P.; Amaral, L. R.; Colaço, A. F. 2015. Agricultura de precisão. 1. ed.
Oficina de textos. São Paulo.
Caon, D.; Genú, A. M. 2013. Mapeamento de atributos químicos em diferentes
densidades amostrais e influência na adubação e calagem. Revista Brasileira de
Engenharia Agrícola e Ambiental, 17:629639. Doi: https://doi.org/10.1590/ S1415-
43662013000600009.
Raij, B. V.; Andrade J. C.; Cantarella H.; Quaggio J. A. (ed). 2001. Análise quimica
para
avaliação da fertilidade de solos tropicais. Campinas: Instituto Agronômico de
Campinas.
Companhia Nacional de Abastecimento - CONAB. 2019. Boletim da Safra de Grãos:
Levantamento - Safra 2019/20 - Tabela de levantamento. Brasília: CONAB, 2019.
Disponível em: <https://www.conab.gov.br/info-agro/safras/ graos>. Acesso em: 13
out. 2019.
Resende, A. V.; Hurtado, S. M. C.; Vilela, M. F.; Corazza, E. J.; Shiratsuchi, L. S.
2014.
Aplicões da agricultura de precio em sistemas de produção de gos no Brasil. In:
Sousa, D. M. G.; Lobato, E., 2014. Cerrado correção do solo e adubação.
Santos, R. O.; Franco, L. B.; Silva, S. A.; Sodré, G. A.; Menezes, A. A. 2017. Spatial
variability of soil fertility and its relation of cocoa yield. Revista Brasileira de
Engenharia Agrícola e Ambiental, 21:8893. Doi: https://doi.org/10.1590/1807-
1929/agriambi.v21n2p88-93.
Dalchiavon, F. C.; Carvalho, M. P.; Andreotti, M.; Montanari R. 2012. Variabilidade
espacial de atributos da fertilidade de um Latossolo Vermelho Distroférrico sob
Sistema Plantio Direto. Revista Ciência Agronômica, 43: 453461.
Freitas, R. E.; Mendonça, M. A. A. 2016. Expansão Agrícola no Brasil e a
Participação da Soja: 20 anos. Revista de Economia e Sociologia Rural, 54:497516.
Doi:
http://dx.doi.org/10.1590/1234-56781806-94790540306.
Souza, L. S. Cogo, N. P.; Vieira, S. R. 1997. Variabilidade espacial de propriedades
físicas e químicas do solo em um pomar cítrico. Revista Brasileira de Ciência do Solo,
21: 367372. Doi: https://doi.org/10.1590/S0100-06831997000300003.
Gamma Design Software. 2012. GS+: Geostatistics for Environmental Sciences.
Plainwell. Disponível em: <http://www.gammadesign.com/>. Acesso em 20 ago.
2020.
Trentin, R. G.; Modolo, A. J.; Vargas, T. O.; Campos, J. R. R.; Adami, P. F.; Baesso,
M. M. 2018. Soybean productivity in Rhodic Hapludox compacted by the action of
furrow openers. Acta Scientiarum. Agronomy 40:19. Doi: http://dx.doi.
org/10.4025/actasciagron.v40i1.35015.
Guimarães, E. C. 2004. Geoestatística básica e aplicada. Uberlândia: UFU/
FAMAT, Uberlândia.
Cad. Ciênc. Ag., v. 12, p. 0109, https://doi.org/10.35699/2447-6218.2020.25115