CADERNO DE CIÊNCIAS AGRÁRIAS
Agrarian Sciences Journal
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 Arcoverde
4
, Mateus Luiz Secretti
5
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
1
Centro Universitário da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0002-7039-2447
2
Centro Universitário da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0003-2332-6639
3
Centro Universitário da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0001-5863-4450
4
Universidade Federal da Grande Dourados. Dourados, MS. Brasil.
https://orcid.org/0000-0002-0453-4566
5
Centro 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 / © 2009, Universidade Federal de Minas Gerais, Todos os direitos reservados.
Leandro Junior, E. F. et al.
2
Cad. Ciênc. Agrá., v. 12, p. 01–09, https://doi.org/10.35699/2447-6218.2020.25115
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.
Introdução
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).
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%,
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).
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).
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).
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
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).
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).
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.
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
Variabilidade espacial de atributos químicos do solo a partir de diferentes malhas amostrais em duas safras agrícolas
3
Cad. Ciênc. Agrá., v. 12, p. 01–09, https://doi.org/10.35699/2447-6218.2020.25115
a amostragem foi realizada antes do preparo mecânico
de solo.
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
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
(Ca
2+
) trocável; Magnésio (Mg
2+
) trocável; Capacidade
de Troca de Cátions (CTC); Saturação por Bases (V%),
Acidez ativa (pH) e acidez potencial trocável (Al
3+
) de
acordo com a metodologia de Raij et al. (2001).
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.
Estatística descritiva, geoestatística e confecção de
mapas
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.
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
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: Fósforo (P)
disponível; Potássio (K
+
) disponível; Cálcio (Ca
2+
) trocá
-
vel; Magnésio (Mg
2+
) trocável; Capacidade de Troca de
Cátions (CTC); Saturação por Bases (V%), Acidez ativa
(pH) e acidez potencial trocável (Al
3+
).
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), Ca
2+
(1,5 a 7,0 cmolc
dm
-3
), Mg
2+
(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 Al
3+
(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; Ca
2+
, Mg
2+
, CTC e pH mantiveram-se em níveis
adequados, assim como K
+
, V% e M.O permaneceram
com alto teores no solo. O Al
3+
passou a ter teor baixo.
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 Ca
2+
e Mg
2+
e muito
Leandro Junior, E. F. et al.
4
Cad. Ciênc. Agrá., v. 12, p. 01–09, https://doi.org/10.35699/2447-6218.2020.25115
alta para P, K
+
e Al
3+
. 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
+
, Al
3+
juntamente com o Ca
2+
foram classificados
com CV muito alto.
O coeficiente de assimetria é utilizado para ca-
racterizar como e quanto a distribuição de frequências
se afasta da simetria (Guimarães, 2004). Os atributos
Ca
2+
, Mg
2+
, V% e pH indicaram uma alta concentração
de dados nos valores mais baixos, a cauda mais longa da
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. Já a CTC,
P, K
+
, MOS e Al
3+
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
+
, Al
3+
, Ca
2+
,
V% e pH foram classificados como assimétrica positiva
ou à direita, enquanto o Mg
2+
e MOS como assimétrico
negativa ou à esquerda.
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
CTC
1
11,66 17,23 2,01 8,00 15,00 0,07 -1,02
P
2
9,22 36,11 3,33 5,20 18,90 1,08 1,00
K
1
0,45 37,77 0,17 0,15 0,79 0,15 -0,76
Ca
1
6,88 26,74 1,84 2,90 10,60 -0,11 -0,39
Mg
1
1,49 24,16 0,36 0,70 2,20 -0,10 -0,45
V% 71,96 11,68 8,41 49,00 85,00 -0,80 0,47
MOS 23,09 7,23 1,67 20,10 26,80 0,02 -0,40
pH CaCl
2
5,59 6,79 0,38 4,60 6,20 -0,83 0,23
Al
1
0,02 300 0,06 0,00 0,33 4,18 17,25
SAFRA 2019-2020
Variável Média CV% Desvio Padrão Mínimo Máximo Assimetria Curtose
CTC
1
10,31 15,61 1,61 7,60 12,80 0,17 -1,10
P
2
23,00 63,21 14,54 14,00 63,00 2,08 2,78
K
1
0,31 45,16 0,14 0,13 0,59 0,47 -0,92
Ca
1
5,10 32,74 1,67 2,90 7,90 0,41 -1,22
Mg
1
1,29 26,35 0,34 0,60 1,80 -0,24 -0,98
V% 63,56 16,51 10,50 47,00 80,00 0,10 -1,28
MOS 25,87 19,67 5,09 18,00 34,00 -0,01 -1,25
pHCaCl
2
5,40 6,66 0,36 4,90 6,10 0,35 -1,10
Al
1
0,01 500 0,05 0,00 0,20 3,61 11,07
*
1
cmol dm
-3
;
2
mg.dm
-3
;
3
g.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
+
,
Ca
2+
, V%, pH, Mg
2+
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
Variabilidade espacial de atributos químicos do solo a partir de diferentes malhas amostrais em duas safras agrícolas
5
Cad. Ciênc. Agrá., v. 12, p. 01–09, https://doi.org/10.35699/2447-6218.2020.25115
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 (C
O
), o patamar (C
O
+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 (R
2
) (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 C
O
C
O
+C GDE% a(m) R
2
SQR
CTC Gaussiano 0,590 5,512 10,70 73,76 1,00 4,44E-04
P Exponencial 6,190 15,810 39,15 1254 0,986 0,0836
K Gaussiano 0,016 0,040 40 815,79 0,999 1,25E-07
Ca Gaussiano 0,850 4,651 18,27 788,08 1,00 8,15E-04
Mg Gaussiano 0,043 0,190 22,63 840 0,998 9,39E-06
V% Gaussiano 31,700 10,400 30,36 1174,33 0,990 4,66
MOS Gaussiano 1,672 4,708 35,5 1252,27 0,997 1,75E-03
pHCaCl
2
Linear 0,087 0,141 61,70 561,78 0,963 2,34E-05
Al Gaussiano 8,7E-04 0,003 24,38 659,91 1,00 7,21E-11
SAFRA 2019-2020
Variável Modelo C
O
C
O
+C GDE% a(m) R
2
SQR
CTC Gaussiano 0,70 4,60 15,21 898,93 1,00 5,67E-04
P Esférico 0,900 268,00 0,33 471 0,754 1216
K Gaussiano 1E-05 0,02 0,03 479,77 0,992 7,15E-07
Ca Gaussiano 0,10 4,20 2,38 649,51 0,999 6,40E-03
Mg Gaussiano 1E-04 0,14 0,06 498,83 0,992 2,32E-05
V% Gaussiano 0,100 146,30 0,07 559,45 0,989 45,1
MOS Linear 1,95 36,08 5,40 662,92 1,00 0,0725
pHCaCl
2
Gaussiano 1E-04 0,17 0,05 531,73 0,974 1,35E-04
Al Linear 0,002 0,002 100 662,72 0,392 1,46E-08
*C
O
: efeito pepita; C
O
+C: patamar; a: alcance; R
2
: 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.
Leandro Junior, E. F. et al.
6
Cad. Ciênc. Agrá., v. 12, p. 01–09, https://doi.org/10.35699/2447-6218.2020.25115
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)