Modelagem e quantificação da incerteza espacial do potássio disponível no solo por simulações estocásticas

Abstract

Resumo -O objetivo deste trabalho foi avaliar o desempenho da simulação sequencial gaussiana (SSG) e da simulação sequencial indicatriz (SSI) na modelagem da incerteza das predições do K disponível em área de cana-de-açúcar, e comparar as simulações com o método já consagrado de krigagem ordinária (KO). Uma malha amostral com 626 pontos foi instalada em área de 200 ha, no Município de Tabapuã, em São Paulo. As simulações reproduziram a variabilidade dos dados amostrais de K disponível, enquanto a KO superestimou os baixos teores de K e subestimou os altos. O mapa de desvio-padrão obtido a partir da KO mostrou menor variação ao longo da área de estudo, quando comparado aos mapas obtidos a partir das simulações. A SSI obteve acurácia 22% superior à obtida pela SSG, na modelagem da função de distribuição condicional do K. As simulações apresentam maior eficiência que a KO para modelar incerteza na distribuição espacial do K. A SSI apresenta melhor desempenho que a SSG na estimativa dos teores de K disponível, em área de cana-de-açúcar.Termos para indexação: fertilidade do solo, geoestatística, krigagem, simulação sequencial gaussiana, simulação sequencial indicatriz, variabilidade espacial. Modeling and quantification of available potassium spatial uncertainty in the soil by stochastic simulationsAbstract -The objective of this work was to evaluate the performance of the sequential Gaussian simulation (SGS) and the sequential indicator simulation (SIS) for modeling the uncertainty of available K predictions in a sugarcane area, and to compare both simulations to the already established method of ordinary kriging (OK). A sampling grid with 626 points was installed in an area of 200 ha, in the municipality of Tabapuã, in the state of São Paulo, Brazil. The simulations reproduced the variability in the available K sample data, whereas OK overestimated the low K levels and underestimated the high ones. The standard deviation map obtained from OK showed less variation along the studied area when compared to the maps obtained from the simulations. SIS achieved an accuracy 22% higher than that obtained by SGS for modeling the conditional distribution function of K. The simulations have higher efficiency than OK for modeling the uncertainty in the spatial distribution of K. SIS has better performance than SGS for estimating the levels of available K in sugarcane area.Index terms: soil fertility, geostatistics, kriging, sequential Gaussian simulation, sequential indicator simulation, spatial variability. IntroduçãoO Estado de São Paulo é o maior produtor de canade-açúcar (Saccharum officinarum L.), com 51,7% da área total cultivada no Brasil, segundo dados da Companhia Nacional do Abastecimento (2014). A cultura consome aproximadamente 13% do total de fertilizantes utilizado anualmente no país (Otto et al., 2010), e o potássio é o nutriente mais absorvido.Os solos tropicais brasileiros apresentam baixos teores de potássio na forma disponível (Benites et al., 2010), e a cana-de-açúcar responde bem à aplicação do nutriente. O...

Comparison of Methods for Determining Precompression Stress Based on Computational Simulation

“…Under these conditions, simulations can help create scenarios for reproducing experimental data (Tagar et al, 2015), which formalize and analyze some error propagation methods for modeling; among them, the Monte Carlo method has general applicability and can be used in models with mathematical formulations (Ortiz et al, 2004). This procedure was used by Ortiz et al (2004), and simulations based on other methods were used by Oliveira et al (2013Oliveira et al ( , 2014 for soil data in Brazil.…”