Mapeamento de atributos químicos em diferentes densidades amostrais e influência na adubação e calagem

Abstract

RESUMOComo processo inicial de mapeamento a amostragem de solo,quando realizada de forma ineficiente, pode levar a um planejamento errôneo quanto à aplicação de corretivos e fertilizantes. O objetivo do presente trabalho foi estabelecer uma densidade amostral que ofereça precisão nos mapas de atributos químicos gerados sobre diferentes densidades amostrais, em duas profundidades, e mensurar sua implicação prática na adubação e calagem para a cultura da soja, na região de Guarapuava. Foram comparados mapas para pH, H+Al, P, K, Ca, Mg, V% e necessidade de calagem, nas camadas 0-10 e 0-20 cm, nas densidades amostrais de ¼, ½, 1, 2 e 4 ha, sendo a primeira densidade tomada como referência de comparação. Os modos de comparação foram a exatidão global e o índice Kappa. A diminuição da densidade amostral depreciou a qualidade dos mapas gerados. Todas as densidades amostrais diferiram entre si quanto à exatidão porém foram encontrados bons níveis de exatidão até a densidade amostral de uma amostra por hectare. A agricultura de precisão utiliza, de forma mais eficiente, a quantidade de calcário e fertilizantes do que a agricultura convencional.Palavras-chave: agricultura de precisão, Kappa, krigagem Mapping of chemical attributes in different samplingdensities and influence on fertilization and liming ABSTRACT Soil sampling and initial mapping process, when performed inefficiently, can lead to erroneous planning regarding the application of fertilizers. The objectives of this study were to establish a sampling density that provides accurate maps of the chemical attributes generated for different sampling densities in two depths, and to measure their practical implications in fertilization and liming for soybean on an Oxisol in the region of Guarapuava. Maps were compared for the attributes pH, H+Al, P, K, Ca, Mg, base saturation and the lime requirement, in the layers 0-10 and 0-20 cm, in the sampling densities of ¼, ½, 1, 2 and 4 ha, being the first density taken as a reference for comparison. The methods of comparison were the overall accuracy and Kappa index. The decrease in sample density depreciated the quality of the generated maps. All sampling densities differ as to the accuracy, however, showed good levels of accuracy for the sample density of one sample per hectare. Precision agriculture uses in a better way the amount of lime and fertilizer than conventional agriculture.

Dependência e correlação espacial dos atributos de solo em função do arranjo amostral

“…Os dados foram submetidos a uma análise exploratória para verificar a presença de valores discrepantes, sendo utilizada a metodologia proposta por Libardi et al [11] (1) Número de amostras simples; (2) Teor de fósforo (mg dm -3 ); (3) Teor de potássio (cmolc dm -3 ); (4) Saturação por bases (%); (5) pH do solo em CaCl2; (6) Teor de matéria orgânica (g kg -1 ). (1) 187 Pt (2) EXP (8) (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Patamar; (4) Efeito pepita; (5) Índice de dependência espacial; (6) Soma de quadrados dos resíduos; (7) Coeficiente de determinação; (8) Exponencial; (9) Gaussiano; (10) Esférico; (11) Efeito pepita puro. (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Coeficiente de determinação; (4) Raiz quadrada do erro médio; (5) Erro médio percentual.…”

“…25 A (1) 187 Pt (2) ESF (8) (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Patamar; (4) Efeito pepita; (5) Índice de dependência espacial; (6) Soma de quadrados dos resíduos; (7) Coeficiente de determinação; (8) Esférico; (9) Efeito pepita puro; (10) Exponencial. 25 A (1) 187 Pt (2) (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Coeficiente de determinação; (4) Raiz quadrada do erro médio; (5) Erro médio percentual. 25 A (1) 187 Pt (2) 2 ESF (8) 240 0,0536 0,0087 83 3,2x.…”

“…25 A (1) 187 Pt (2) (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Coeficiente de determinação; (4) Raiz quadrada do erro médio; (5) Erro médio percentual. 25 A (1) 187 Pt (2) GAU (8) (11) -10,41 10,41 --- (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Patamar; (4) Efeito pepita; (5) Índice de dependência espacial; (6) Soma de quadrados dos resíduos; (7) Coeficiente de determinação; (8) Gaussiano; (9) Esférico; (10) Exponencial; (11) Efeito pepita puro (5) 25 A (1) 187 Pt (2) (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Coeficiente de determinação; (4) Raiz quadrada do erro médio; (5) Erro médio percentual. (1) 187 Pt (2) 0 GAU (8) (1) Número de amostras simples; (2) Número de pontos amostrais; (3) Patamar; (4) Efeito pepita; (5) Índice de dependência espacial; (6) Soma de quadrados dos resíduos; (7) Coeficiente de determinação; (8) Gaussiano.…”

“…O presente estudo foi conduzido em um talhão da Fazenda Planalto, localizada no município de Maracaju -MS, com o objetivo de compreender os diferentes arranjos amostrais adotados para coleta de solo e sua influência na análise geoestatística do fósforo, do potássio, da saturação por bases, do pH, da matéria orgânica e do teor de argila, bem como a confiabilidade dos mapas de predição elaborados a partir da análise geoestatística. Foram utilizados diferentes números de amostras simples para formar a amostra composta (1,5,10, 17 e 25) combinados com um desbaste dos pontos amostrais para formar diferentes resoluções de grades (187, 95, 47 e 23 pontos). Concluiu-se que são necessárias oito amostras simples para um menor erro de predição de valores em locais não amostrados.…”

Geoestatística Na Variabilidade Espacial Dos Atributos Físicos E Químicos Em Solo Tropical

“…A amostragem georreferenciada de solo por malhas regulares é uma das ferramentas mais tradicionais utilizadas para caracterizar a variabilidade de atributos físicos e químicos do solo (CHERUBIN et al, 2015;RAGAGNIN;SENA JUNIOR;SILVEIRA NETO, 2010). O dimensionamento de uma malha amostral ótima para caracterização de atributos físicos e químicos do solo é amplamente estudado (CAON;GENÚ, 2013;CHERUBIN et al, 2014;NANNI et al, 2011;SIQUEIRA et al, 2014;SOUZA et al, 2014). Com os dados de solos georreferenciados é possível gerar mapas com finalidades específicas (e.g.…”