RESUMO.A agricultura de precisão é um conjunto de tecnologias que visa o aumento da eficiência com base no manejo diferenciado de áreas agrícolas. Neste contexto, é importante estabelecer metodologias nos quais informações de produtividade, solo ou indicadores compostos possam ser utilizados para a determinação de unidades de manejo. O objetivo deste trabalho foi desenvolver uma metodologia para definição de unidades de manejo em função de mapas de produtividade de cinco safras agrícolas. Foi medida a produtividade da cultura soja, durante os anos de 1998 a 2002, de uma área localizada no município de Cascavel, Estado do Paraná, e utilizando técnicas de geoestatística foram gerados mapas de produtividade. A área amostrada possui 1,74 ha, sendo constituída de 256 parcelas, 128 com manejo químico localizado e 128 sem manejo químico localizado. Na colheita, utilizou-se uma colhedora de parcelas e verificou-se dependência espacial para os sistemas de cultivo, em todos os anos. Os valores pontuais de produtividade de soja de cada ano foram padronizados utilizando-se a técnica denominada escore padrão, em seguida reclassificados em baixo, médio e alto, o que possibilitou a comparação das produtividades de diferentes anos e a geração de um mapa de produtividade média. Com a produtividade padronizada e o coeficiente de variação classificados em baixo, médio e alto foi gerado um mapa com as unidades de manejo. A metodologia mostrou-se eficiente para identificar regiões homogêneas.Palavras-chave: produtividade, geoestatística, manejo químico.ABSTRACT. Determination of management zones using yield data. Precision agriculture is a set of technologies that aims the efficiency increase based on the differentiated management of agricultural areas. In this context, it is important to establish methodologies to use the yield information, soil or indicators in the determination of management zones. The aim of this paper was to develop a methodology for the definition of management zones according to yield maps of five growing seasons. The soybean yield was measured from 1998 to 2002, in an area in Cascavel, Paraná State, Brazil. Yield maps were generated using geostatic techniques. The sampled area has 1.74 ha with 256 plots: 128 with site-specific chemical management and 128 without site-specific chemical management. A plot combine was used for harvest. In the experiment the spatial dependence was verified for both planting systems in each year. The punctual values of soybean yield of each year were standardized using the standard score technique. After that, these values were reclassified in low, medium and high, allowing the comparison of productivities in different years and the generation of a yield average map. Management zones were generated according to the standardized yields and also to the coefficient of variation being classified in low, medium and high. The methodology was efficient to identify homogeneous zones.
Através de técnicas de geoestatística foram confeccionados mapas de contorno, produzidos por interpolação através da krigagem ordinária representando, desta forma, a variabilidade espacial dos atributos físicos densidade do solo [kg dm-3], teor de água do solo [g g-1] e resistência mecânica a penetração [MPa] nas camadas de 0-10,10-20 e 20-30 cm de profundidade, além da produtividade de soja [t ha-1]. Os atributos do solo e a produtividade se derivaram de um plano de amostragem estratificada sistemática desalinhada, do ano agrícola 1998/99, subdividido em parcelas sem manejo localizado (SML) e parcelas com manejo localizado (CML). De maneira geral, os mapas de produtividade apresentaram um padrão de variabilidade semelhante quanto à distribuição na área não respondendo, assim, ao tratamento químico diferenciado aplicado nas parcelas CML; já os atributos físicos mostraram comportamento semelhante para os dois métodos de cultivo. Dentre os atributos físicos estudados, a resistência à penetração na camada 0-10 cm de profundidade foi a variável que melhor se correlacionou com a produtividade.
RESUMONo estudo do mapeamento da fertilidade do solo, pelas técnicas de geoestatística, algumas características estruturais da variabilidade espacial devem ser consideradas, tais como continuidade espacial e ausência de anisotropia. Neste contexto, o presente trabalho apresenta uma análise da anisotropia no estudo da variabilidade espacial das variáveis químicas do solo: ferro (Fe), acidez potencial (H + Al), matéria orgânica (MO) e Mn, de um conjunto de dados de 128 parcelas sem manejo químico localizado, espacialmente referenciados, estudados entre 1998 e 2002, em um Latossolo Vermelho distroférrico, em Cascavel-PR. A identificação da anisotropia foi realizada por meio da construção de semivariogramas direcionais com modelos ajustados, e a correção da anisotropia realizou-se por meio de transformações lineares e de modelos combinados. Em seguida, utilizou-se um modelo ajustado ao semivariograma omnidirecional para construção de mapas temáticos de variabilidade das variáveis estudadas. Observou-se a existência de anisotropia geométrica para a variável H + Al. Já as variáveis MO, Mn e Fe mostraram a presença de anisotropia combinada, sendo corrigida inicialmente a anisotropia geométrica e, posteriormente, a anisotropia zonal. Por meio do estudo da anisotropia, foi possível eliminar as direções privilegiadas, melhorando assim o ajuste dos semivariogramas e produzindo mapas temáticos das variáveis químicas estudadas com maior acurácia.Termos de indexação: geoestatística, dependência espacial, agricultura de precisão.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations –citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.