UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ – UNIOESTE
CAMPUS DE CASCAVEL
CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS
PÓS-GRADUAÇÃO EM ENGENHARIA AGRÍCOLA
COMPARAÇÃO DE TRÊS MÉTODOS DE INTERPOLAÇÃO NA CONST RUÇÃO DE
MAPAS TEMÁTICOS
NELSON MIGUEL BETZEK
CASCAVEL, PR
ABRIL 2012
NELSON MIGUEL BETZEK
COMPARAÇÃO DE TRÊS MÉTODOS DE INTERPOLAÇÃO NA CONST RUÇÃO DE
MAPAS TEMÁTICOS
CASCAVEL – PR
ABRIL 2012
Dissertação apresentada como requisito parcial de avaliação para obtenção do título de Mestre em Engenharia Agrícola do Programa de Pós Graduação em Engenharia Agrícola, área de concentração Engenharia de Sistemas Agroindustriais, Centro de Ciências Exatas e Tecnológicas, Universidade Estadual do Oeste do Paraná.
Orientador: Prof. Dr. Eduardo Godoy de Souza Co-Orientador: Prof. Dr. Miguel Angel Uribe Opazo
Revisões de Língua Portuguesa, Língua Inglesa e Normas, realizadas pela Profa Ana Maria Martins Alves Vasconcelos, em 22 de maio de 2012.
Dados Internacionais de Catalogação-na-Publicação ( CIP) Biblioteca Central do Campus de Cascavel – Unioeste
Ficha catalográfica elaborada por Jeanine da Silva B arros CRB-9/1362
B466c
Betzek, Nelson Miguel
Comparação de três métodos de interpolação na construção de mapas temáticos. / Nelson Miguel Betzek — Cascavel, PR: UNIOESTE, 2012.
70 p. ; 30 cm.
Orientador: Prof. Dr. Eduardo Godoy de Souza Coorientador: Prof. Dr. Miguel Angel Uribe Opazo Dissertação (Mestrado) – Universidade Estadual do Oeste do
Paraná. Programa de Pós-Graduação Stricto Sensu em Engenharia Agrícola,
Centro de Ciências Exatas e Tecnológicas. Bibliografia.
1. Agricultura de precisão. 2. Geoestatística. 3. Variabilidade
espacial. I. Universidade Estadual do Oeste do Paraná. II. Título. CDD 21. ed. 631.3
NELSON MIGUEL BETZEK
COMPARAÇÃO DE TRÊS MÉTODOS DE INTERPOLAÇÃO NA CONST RUÇÃO DE
MAPAS TEMÁTICOS
Dissertação apresentada ao Programa de Pós-Graduação em Engenharia Agrícola em
cumprimento parcial aos requisitos para obtenção do título de Mestre em Engenharia
Agrícola, área de concentração em Engenharia de Sistemas Agroindustriais, aprovada pela
seguinte banca examinadora:
Orientador: Prof. Dr. Eduardo Godoy de Souza
Centro de Ciências Exatas e Tecnológicas, UNIOESTE.
Prof. Dr. Raimundo Pinheiro Neto
Centro de Ciências Agrárias, UEM.
Prof. Dr. Divair Christ
Centro de Ciências Exatas e Tecnológicas, UNIOESTE.
Cascavel, 09 de abril de 2012
ii
BIOGRAFIA
Nelson Miguel Betzek, nascido em 17 de novembro de 1970 em Irati, PR. Residente
em Medianeira, PR. Graduado em Tecnologia em Processamento de Dados em 1999 pelo
Centro de Ensino Superior de Foz do Iguaçu – CESUFOZ, na cidade de Foz do Iguaçu, PR.
Graduado também em Ciências Contábeis em 1995 pela Universidade Estadual do Oeste
do Paraná – UNIOESTE, na cidade de Foz do Iguaçu. Especialista em rede de
computadores (2006) e em projeto e desenvolvimento de sistemas baseados em objetos
(2005), pelo Centro Federal de Educação Tecnológica do Paraná – UTFPR, Campus
Medianeira. Atualmente, é professor do curso de Tecnologia em Análise e Desenvolvimento
de Sistemas, na Universidade Tecnológica Federal do Paraná – UTFPR, Campus
Medianeira.
iii
DEDICATÓRIA
À minha esposa (Dulci) e filha (Bárbara),
pelo amor, carinho, apoio e compreensão
dispensados durante esta jornada.
Aos demais familiares que também
compreenderam o motivo de tal
dedicação.
Aos amigos pelo incentivo.
iv
AGRADECIMENTOS
Agradeço a Deus, por ter me concedido a vida e permitido realizar mais este sonho;
À Universidade Estadual do Oeste do Paraná (UNIOESTE), em especial ao
Departamento de Engenharia Agrícola, pela oportunidade de realizar o Mestrado;
Ao professor Dr. Eduardo Godoy de Souza, pela orientação, sugestões, apoio,
compreensão e confiança na realização deste trabalho;
Ao professor Dr. Miguel Angel Uribe Opazo, pela co-orientação;
Aos amigos Claudio Leones Bazzi e Ricardo Sobjak pelo companheirismo, apoio e
incentivo;
Ao Eng. Agassiz Linhares Neto pela cessão da área de onde foram coletados os
dados utilizados neste trabalho;
Aos meus familiares e amigos pela paciência, confiança, apoio e compreensão;
A todos os demais professores, colegas e funcionários que, direta ou indiretamente,
participaram da realização deste trabalho.
v
COMPARAÇÃO DE TRÊS MÉTODOS DE INTERPOLAÇÃO NA CONST RUÇÃO DE MAPAS TEMÁTICOS
RESUMO
No uso da agricultura de precisão (AP), amostras de atributos do solo e planta são coletadas e analisadas visando à obtenção de informações que sirvam como subsídio para a tomada de decisão, a fim de se corrigirem problemas detectados nas áreas analisadas. Para tanto, são utilizados sistemas computacionais capazes de gerar mapas temáticos, através da interpolação dos dados amostrais, visando mensurar informações para os locais não amostrados. Um aspecto importante é a escolha do método de interpolação a ser utilizado, visto que a maioria dos interpoladores não preservam os dados originais, assim, afetam o mapa temático gerado. A acurácia com que os mapas de distribuição espacial da produtividade e dos atributos do solo são produzidos no processo de interpolação influencia a aplicação e utilização da AP. Um conjunto de dados referentes a 55 amostras de atributos químicos do solo e 130 amostras de produtividade de soja, safra 2010/2011, foram analisados com o objetivo de comparar três métodos de interpolação (inverso da distância, inverso do quadrado da distância e krigagem ordinária) na construção de mapas temáticos. Foram comparados mapas de dez atributos químicos do solo e duas amostragens da produtividade, utilizando os índices Kappa, Tau e CDR. Constatou-se variação nos resultados e que a influência do interpolador depende do atributo e da frequência dos dados. Porém, a krigagem e o inverso do quadrado da distância foram considerados os métodos que geraram mapas com menor dispersão dos dados.
Palavras-chave : agricultura de precisão, geoestatística, variabilidade espacial.
vi
COMPARISON OF THREE METHODS OF INTERPOLATION ON THE MATIC MAPS DRAWING
ABSTRACT
Samples of soil and plant properties are collected and analyzed to apply at precision agriculture (PA) and obtain information that can help on a decision making in order to correct problems that have been detected in the studied areas. Thus, computer systems are used to generate thematic maps by interpolation of sample data to measure information for non-sampled locations. The choice of interpolation method to be used is an important aspect, since most of the interpolators do not preserve the original data, so the thematic map is affected. The accuracy with which the spatial distribution maps of yield and soil properties are produced during the interpolation process influences the implementation and use of PA. A set of data from 55 samples of chemical properties of a soil and 130 samples of soybean yield, 2010/2011 harvest, were analyzed to compare three interpolation methods (inverse distance, inverse distance squared and ordinary kriging) on the thematic maps drawing. Maps of ten chemical properties of soil and two samples concerning yield were compared, using Kappa, Tau and CDR. It was observed some variation with the results and that the interpolation influence depends on the attribute and data frequency. However, kriging and inverse square distance were considered the methods that generated maps with lower dispersion of data.
Keywords : geostatistics, precision agriculture, spatial variability.
vii
SUMÁRIO
LISTA DE TABELAS................................... .......................................................................... ix
LISTA DE FIGURAS................................... ........................................................................... x
LISTA DE SÍMBOLOS.................................. ......................................................................... xi
1 INTRODUÇÃO ............................................................................................................... 1
2 OBJETIVOS ......................................... .......................................................................... 2
2.1 Objetivo Geral ............................................................................................................... 2
2.2 Objetivos Específicos ................................................................................................... 2
3 REVISÃO BIBLIOGRÁFICA ............................. ............................................................. 3
3.1 Soja .............................................................................................................................. 3
3.2 Atributos químicos do Solo ........................................................................................... 3
3.3 Agricultura de Precisão (AP) ......................................................................................... 4
3.4 Análise estatística e geoestatística ............................................................................... 5
3. 4. 1 Variabilidade Regionalizada ..................................................................................... 6
3. 4. 2 Semivariograma ....................................................................................................... 6
3.5 Interpolação de Dados ................................................................................................ 11
3.6 Comparação de mapas temáticos .............................................................................. 13
3.7 Índices para comparação de mapas temáticos ........................................................... 14
3. 7. 1 Índice Kappa .......................................................................................................... 14
3. 7. 2 Índice Tau .............................................................................................................. 16
3. 7. 3 Coeficiente de desvio relativo................................................................................. 16
4 MATERIAL E MÉTODOS ................................ ............................................................. 18
4.1 Localização da área e coleta de dados ....................................................................... 18
4.2 Análise exploratória e descritiva ................................................................................. 21
4.3 Análise Geoestatística ................................................................................................ 21
4.4 Interpolação de dados ................................................................................................ 23
4.5 Comparação de mapas temáticos .............................................................................. 23
5 RESULTADOS E DISCUSSÃO ............................ ........................................................ 25
viii
5.1 Análise exploratória e descritiva ................................................................................. 25
5.2 Análise geoestatística ................................................................................................. 27
5.3 Interpolação dos dados............................................................................................... 29
5.4 Análise dos Interpoladores e influência da grade amostral ......................................... 33
5. 4. 1 Avaliação dos interpoladores pela comparação dos dados originais e
interpolados ........................................................................................................... 33
5. 4. 2 Avaliação de mapas temáticos gerados por diferentes grades amostrais .............. 35
5. 4. 3 Avaliação de mapas temáticos gerados por diferentes interpoladores ................... 37
6 CONCLUSÕES ............................................................................................................ 41
7 REFERÊNCIAS ............................................................................................................ 42
ANEXOS.................................................................................................................................47
ix
LISTA DE TABELAS
Tabela 01 Classificação do índice de dependência espacial (IDE)............................. 22
Tabela 02 Classificação do grau de concordância dos índices Kappa e Tau............. 24
Tabela 03 Estatística descritiva da produtividade de soja e dos atributos químicos do solo........................................................................................................
26
Tabela 04 Níveis de interpretação dos atributos químicos do solo com a porcentagem encontrada nos pontos amostrais.........................................
26
Tabela 05 Parâmetros do semivariograma para escolha do melhor modelo para produtividade e atributos químicos do solo.................................................
28
Tabela 06 Efeito dos interpoladores sobre os conjuntos de dados da produtividade e dos atributos químicos do solo................................................................
34
Tabela 07 Reclassificação dos dados interpolados de produtividade (t ha-1).............. 36
Tabela 08 Índices Kappa, Tau e CDR obtidos pela comparação entre mapas de diferentes grades amostrais da produtividade (PA55 e PA130), interpolados por krigagem ordinária, IQD e ID...........................................
37
Tabela 09 Parâmetros da validação cruzada referentes a dados de duas amostragens de produtividade....................................................................
37
Tabela 10 Comparação entre mapas gerados por diferentes interpoladores por meio dos índices Kappa, Tau e CDR..........................................................
39
Tabela 11 Parâmetros da validação cruzada referentes aos dados obtidos pelos interpoladores inverso da distância (ID), inverso do quadrado da distância (IQD) e krigagem ordinária..........................................................
40
x
LISTA DE FIGURAS
Figura 01 Parâmetros do semivariograma.................................................................. 7
Figura 02 Modelos teóricos aplicados aos semivariogramas..................................... 8
Figura 03 Delimitação da área em estudo.................................................................. 18
Figura 04 Grade amostral da produtividade de soja (130 pontos).............................. 19
Figura 05 Parcela de coleta........................................................................................ 20
Figura 06 Grade amostral do experimento................................................................. 20
Figura 07 Box-plot da produtividade e dos atributos químicos do solo....................... 27
Figura 08 Mapas temáticos da produtividade com 55 pontos amostrais (PA55), interpolados por IQD (a), ID (b) e krigagem (c)..........................................
29
Figura 09 Mapas temáticos da produtividade com 130 pontos amostrais (PA130), interpolados por IQD (a), ID (b) e krigagem (c)..........................................
29
Figura 10 Mapas temáticos do atributo Cu, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
30
Figura 11 Mapas temáticos do atributo Fe, interpolados por IQD (a), ID (b) e krigagem (c)................................................................................................
30
Figura 12 Mapas temáticos do atributo Mn, interpolados por IQD (a), ID (b) e krigagem (c)................................................................................................
30
Figura 13 Mapas temáticos do atributo P, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
30
Figura 14 Mapas temáticos do atributo C, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
31
Figura 15 Mapas temáticos do atributo pH, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
31
Figura 16 Mapas temáticos do atributo H+Al, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
31
Figura 17 Mapas temáticos do atributo Ca, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
31
Figura 18 Mapas temáticos do atributo Mg, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
32
Figura 19 Mapas temáticos do atributo K, interpolados por IQD (a), ID (b) e krigagem (c) ...............................................................................................
32
Figura 20 Mapas temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por IQD...................................................................................
35
Figura 21 Mapas temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por ID......................................................................................
35
Figura 22 Mapas temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por krigagem..........................................................................
36
xi
LISTA DE SIMBOLOS
AP Agricultura de precisão
C0 Efeito pepita
C0 + C1 Patamar
C1 Contribuição
CDR Coeficiente de desvio relativo, %
CDRi Coeficiente de desvio relativo pontual, %
ER Erro médio
ER Erro médio reduzido
h Distância entre amostras
ID Inverso da distância
IDP Inverso da distância elevado a uma potência
IQD Inverso do quadrado da distância
K Índice Kappa de concordância
M Número de classes da matriz de erro
n Número de dados
N Número de pontos estimados
PA55 55 pontos amostrais da produtividade
PA130 130 pontos amostrais da produtividade
P0 Proporção de unidades que concordam plenamente
Pc Proporção de unidades que concordam por casualidade
Pi Ponto i para o mapa a ser comparado
Pipad Ponto i do mapa padrão
Pr Número de categorias ou classes
SEM Desvio-padrão dos erros médios
ERS Desvio-padrão dos erros médios reduzidos
T Índice Tau de concordância
ix+ Total de observações na coluna i
xi Valor coletado no ponto i
+ix Total de observações na linha i
xii
iix Número de combinações na diagonal
Z(u) Localização da amostra
z(xi) Valores da i-ésima observação da variável regionalizada Z, coletados nos pontos ix
)( isZ Valor observado no ponto )(is
)(ˆ)(isZ
Valor predito por krigagem no ponto )(is
iZ^
Valor interpolado
iZ Valor do atributo amostrado
)(hγ) Semivariância estimada na distância h
α Alcance do semivariograma
))(ˆ( )(isZσ Desvio-padrão da krigagem no ponto )(is
iλ Peso atribuído aos valores amostrais
1
1 INTRODUÇÃO
As premissas da agricultura de precisão (AP) consideram que o manejo dos atributos
do solo deve ser realizado de acordo com a sua variabilidade espacial, pois, afetam
diretamente a produtividade, reduzem custos e o impacto ambiental. É necessário então,
estimar e mapear a variabilidade espacial da produtividade e os atributos do solo em locais
não amostrados, com o objetivo de sanar deficiências por meio da aplicação correta de
insumos agrícolas no solo.
A efetiva implementação da AP proporciona informações úteis para a tomada de
decisão. Assim, é necessária a utilização de softwares capazes de avaliar e armazenar
dados de produtividade e atributos do solo ao longo do tempo e de forma contínua. A
avaliação dos dados é realizada a partir de informações obtidas por relatórios, gráficos e
mapas que demonstram a variabilidade espacial de cada atributo e podem ser comparados
no decorrer de diversas safras.
Para que a análise espacial seja realizada, os elementos amostrais precisam ser
georreferenciados, ou seja, cada ponto amostral é localizado segundo um sistema de
referenciamento geográfico. A partir da interpolação dos valores medidos, são estimados
valores para os pontos em locais não amostrados e gerados os mapas temáticos que
apresentam a distribuição espacial do atributo na área estudada.
Vários métodos de interpolação podem ser utilizados em AP e esta escolha pode
influenciar a construção do mapa gerado. O inverso da distância elevado a uma potência
(IDP) e a krigagem são os métodos de interpolação comumente usados em AP (SILVA et.
al., 2008). A krigagem é considerada mais acurada, pois utiliza a estrutura de dependência
espacial dos dados amostrais para estimar os valores em pontos não amostrados, porém os
IDP são os métodos mais simples e de fácil aplicação.
Neste contexto, este estudo objetivou a obtenção de subsídios que possam servir
como parâmetros para identificar se os dados obtidos por meio de diferentes métodos de
interpolação apresentam resultados semelhantes.
Este grau de semelhança entre os mapas foi definido através da utilização de índices
capazes de mensurar a concordância entre os mapas. Os índices Kappa (COHEN, 1960),
Tau (MA; REDMOND, 1995) e CDR (COELHO et al., 2009) foram utilizados neste estudo, a
fim de comparar mapas de produtividade e atributos químicos do solo.
2
2 OBJETIVOS
2.1 Objetivo Geral
Comparar três métodos de interpolação de dados na construção de mapas
temáticos.
2.2 Objetivos Específicos
− Gerar mapas temáticos para os atributos químicos do solo (Cu, Fe, Mn, P, C,
pH, H+Al, Ca, Mg e K) e produtividade, utilizando os interpoladores: inverso
da distância (ID), inverso do quadrado da distância (IQD) e krigagem
ordinária;
− Gerar mapas temáticos com densidades de pontos amostrais diferentes;
− Comparar o grau de semelhança entre os mapas temáticos gerados por
diferentes interpoladores e diferentes grades amostrais, por meio dos índices
Kappa, Tau e CDR.
3
3 REVISÃO BIBLIOGRÁFICA
3.1 Soja
A soja é um grão que gera muitos produtos e subprodutos, além de ser muito usada
pela agroindústria, indústria química e de alimentos. Na alimentação humana, a soja faz
parte da composição de vários produtos embutidos, chocolates, temperos para saladas,
ingredientes de panificação, massas, cereais, misturas preparadas, bebidas (leite, sucos,
iogurtes), tofu (queijo de soja), proteína texturizada (carne), alimentação para bebês e
alimentos dietéticos. Porém, seu maior consumo é por meio do óleo refinado, obtido a partir
do óleo bruto. Além dessas, a soja é utilizada como fonte alternativa de combustível, o
biodiesel (EMBRAPA, 2011).
Dos 263,7 milhões de toneladas de soja produzidas no mundo na safra 2010/2011, o
Brasil foi o segundo maior produtor com 75,0 milhões de toneladas em 24,2 milhões de
hectares, cuja produtividade média nacional foi de 3,10 t ha-1. O Estado do Paraná é o
segundo maior produtor brasileiro de soja com 15,4 milhões de toneladas em 4,6 milhões de
hectares e produtividade média de 3,36 t ha-1 na safra 2010/2011 (CONAB, 2011).
3.2 Atributos químicos do Solo
O solo é uma mistura de compostos minerais e orgânicos, formado pela ação de
agentes físicos, químicos e biológicos inicialmente sobre a rocha primária. Para as plantas,
os solos são, além do meio de fixação, fonte de nutrientes necessários ao seu
desenvolvimento (LUCHESE, 2001).
Os nutrientes necessários às plantas são classificados em dois grupos: os
macronutrientes e os micronutrientes. Os macronutrientes são os que as plantas necessitam
em grande quantidade: Nitrogênio (N), fósforo (P), potássio (K), cálcio (Ca), magnésio (Mg)
e enxofre (S). Os micronutrientes são utilizados em menor quantidade, mas nem por isso
deixam de ser essenciais para o bom desenvolvimento das plantas; é o caso do zinco (Zn),
boro (B), ferro (Fe), cobre (Cu), manganês (Mn), cloro (Cl) e molibdênio (Mo) (LOPES,
1995).
A produtividade agrícola é influenciada, dentre outros fatores, pelos atributos
químicos do solo, ou seja, pela sua fertilidade. Os solos podem ser naturalmente férteis ou
se tornarem férteis devido a um manejo adequado. Assim, é necessário conhecer e
quantificar a variação dos seus atributos químicos, tanto horizontal como verticalmente, uma
4
vez que os mesmos, por serem sistemas dinâmicos e abertos, estão em constante
modificação (SILVA; CHAVES, 2001).
3.3 Agricultura de Precisão (AP)
O aumento da produção agrícola, em virtude do crescimento da população,
promoveu tanto o desenvolvimento da mecanização no campo como o cultivo de grandes
áreas. Assim, os talhões aumentaram em tamanho, consequentemente, não foram mais
manejados de acordo com suas características particulares e passaram a ter manejo e
aplicação de insumos definidos pela média (MOLIN, 2008). Isto pode causar gastos
excessivos na aplicação; mesmo assim, algumas áreas podem receber menos insumos do
que necessitam e outras receberem além do necessário, cuja consequência pode ser, um
problema ambiental por lixiviação (COELHO et al., 2009).
O pequeno agricultor conhece bem a sua propriedade e sabe onde é necessária
maior aplicação de insumos. A AP é uma proposta para permitir que se faça aquilo que o
pequeno agricultor sempre fez, porém, em larga escala, e associando todo o conhecimento
acumulado pelas ciências agrárias (MOLIN, 2008). Segundo Molin e Rabello (2011), a AP
tem como proposta a necessidade do desenvolvimento de sistemas que permitam
racionalizar o uso de insumos e, consequentemente, os custos de produção e o impacto
ambiental, aliados ao incremento da produção.
Para Cavalcante et al. (2007), quando a aplicação de insumos é baseada em teores
médios da fertilidade do solo, a quantidade aplicada pode ser subestimada ou
superestimada. Porém, o conhecimento detalhado da variabilidade espacial dos atributos da
fertilidade pode otimizar a aplicação localizada de corretivos e fertilizantes bem como
melhorar o controle do sistema de produção das culturas e de contaminações ambientais.
A estimativa dos dados de atributos de solo e produtividade é muito importante para
efetuar o manejo agrícola diferenciado em áreas heterogêneas. Assim, a obtenção da
correta distribuição espacial para tais atributos é relevante no planejamento agrícola, no que
diz respeito à instalação e ao manejo das culturas (SILVA et al., 2008).
A precisão com que os mapas de distribuição espacial são produzidos no processo
de interpolação é um fator muito importante na sua utilização. O levantamento dos dados
amostrais e o posterior mapeamento da área permitem visualizar a variação de fertilidade
dentro de uma área e obter dados para maior produtividade, além da utilização mais racional
dos insumos agrícolas e de um menor impacto da atividade agrícola no ambiente
(ANGÉLICO; SILVA, 2006).
A AP torna-se assim um sistema de gestão da produção agrícola. Sua
implementação requer um bom grau de automatização, e isto é obtido através de
5
tecnologias desenvolvidas por outras áreas, como o GPS, a informática, sensores e
controladores utilizados nas máquinas agrícolas (MOLIN, 2008).
3.4 Análise estatística e geoestatística
A análise exploratória dos dados, dentro do ciclo da AP, é necessária para entender
o comportamento dos dados. A partir dela, é possível se fazer uma avaliação inicial
(histograma, Box-Plot) e, assim, visualizar a distribuição espacial dos dados de acordo com
a grade amostral, tendências direcionais e a existência de valores atípicos.
Com o desenvolvimento da AP, gera-se uma expectativa cada vez maior para
estimar e mapear a variabilidade espacial dos atributos do solo e produtividade. A melhoria
desta estimativa depende da confiabilidade das técnicas de interpolação usadas para obter
estes valores em locais não amostrados (COUTO; SCARAMUZZA; MARASCHINI, 2002).
As ferramentas da geoestatística permitem que sejam realizadas as análises de
dependência espacial e interpolação de dados em locais não amostrados, levando em
consideração a variabilidade espacial. Porém, para que isto ocorra, é necessário o
cumprimento de requisitos básicos para aplicação dos métodos geoestatísticos, ou seja, a
necessidade de georreferenciamento das amostras, a continuidade espacial e a isotropia
dos dados georreferenciados.
A geoestatística é utilizada para estudar atributos espacialmente georreferenciados.
Fundamenta-se em conceitos básicos da estatística clássica, mas, leva em consideração as
coordenadas geográficas dos pontos amostrais e a dependência espacial entre elementos
amostrados. Há, portanto, uma elevada probabilidade de os pontos amostrais próximos
terem valores semelhantes (ASSUMPÇÃO et al., 2007).
Como a geoestatística não considera somente o valor obtido para uma variável
resposta, mas também sua posição expressa por um sistema de coordenadas, faz-se uso
da função semivariância, como ferramenta que apresenta a medida do grau de dependência
espacial entre amostras ao longo de um espaço parametrado. Para sua construção, são
utilizados valores da variável resposta, obtidos no campo, em diferentes distâncias (VIEIRA,
1998). Por isso, segundo Rocha; Lourenço e Leite (2007), na geoestatística, os dados
coletados são georreferenciados e existe relação espacial entre os valores. Logo, é possível
estimar os valores em locais onde eles não são conhecidos e também uma medida de erro
associada a cada ponto estimado.
Segundo Faraco et al. (2008), os parâmetros estimados durante a construção do
semivariograma, que é o gráfico da função semivariância “versus” a distância, podem sofrer
alteração de valores devido às observações atípicas nos dados amostrados. Também
6
podem ser geradas informações incorretas, cujo resultado é a geração de mapas temáticos
imprecisos, com valores não condizentes com a realidade.
A geoestatística é um tópico especial da estatística aplicada que trata de problemas
referentes às variáveis regionalizadas, aquelas que têm comportamento espacial e que
mostram características intermediárias entre as variáveis verdadeiramente aleatórias e as
totalmente determinísticas (LANDIM, 1998).
3. 4. 1 Variabilidade Regionalizada
Para Hamlett; Horton e Cressie (1986), as análises estatísticas tradicionais que
consideram a independência entre as amostras têm sido substituídas por análises espaciais
e consideram as correlações entre as observações vizinhas. Essas análises são baseadas
na teoria das variáveis regionalizadas, formalizada por Matheron (1963) e considerada como
a base da geoestatística. São levadas em consideração as características estruturais e
aleatórias de uma variável espacialmente distribuída, de forma a descrevê-la
adequadamente (MOOLMAN; VAN HUYSSTEEN, 1989).
Uma variável regionalizada é distribuída no espaço (ou tempo), cujos valores são
considerados como realizações de uma função aleatória. A hipótese mais simples sobre o
comportamento da variável regionalizada é a de que a média do fenômeno seja constante
na região de estudo e isso implica em não haver variação significativa em larga escala. Esta
hipótese dá origem ao interpolador de krigagem ordinária (DRUCK et al., 2004).
Segundo Faraco et al. (2008), variáveis regionalizadas variam de um local para
outro, com continuidade aparente e cujos valores são relacionados com a posição espacial
que ocupam.
3. 4. 2 Semivariograma
O semivariograma é a ferramenta da geoestatística que permite verificar e modelar o
grau de dependência espacial entre amostras ao longo de um suporte específico para as
variáveis regionalizadas. As amostras georreferenciadas são coletadas em diversos pontos
que podem estar regularmente distribuídos ou não. No caso de haver dependência espacial,
o valor de cada ponto deverá apresentar um relacionamento com valores obtidos por seus
vizinhos e a influência dos mesmos será tanto maior quanto menores forem as distâncias
que os separam (SANTOS et al., 2011).
O semivariograma é calculado de acordo com diferentes intervalos de distância e em
diferentes direções a fim de verificar a continuidade espacial da variável. Assim, expressa o
7
quanto um fator varia espacialmente em relação à distância levando em conta todos os
pontos amostrais (ALVES et al., 2008). Espera-se que observações geograficamente mais
próximas tenham um comportamento mais semelhante entre si do que aquelas separadas
por maiores distâncias. Por isso, o valor absoluto da diferença entre duas amostras deveria
crescer à medida que aumenta a distância entre elas, até um valor na qual os efeitos locais
não teriam mais influência (DRUCK et al., 2004).
A estimação da dependência espacial, representada pelo semivariograma,
normalmente utiliza o estimador clássico proposto por Matheron (1963) (Equação 1), para
estimar a semivariância ( )(hγ) ). O estimador clássico de Matheron é utilizado quando a
normalidade dos dados é identificada na fase da análise exploratória.
2
1)(
)]()([2
1)(
)(
hxZxZN
h ii
ih
hN
+−= ∑=
γ) Eq. (1)
em que:
)(hγ) - é a semivariância estimada;
N(h) – é o número de pares de valores medidos )( ixZ e )( hxZ i + , separados por
um vetor de distância h; )( ixZ e )( hxZ i + - são valores da i-ésima observação da variável regionalizada Z,
coletados nos pontos ix e hxi + (i = 1, ...., n) , separados pelo vetor de distância h.
Segundo Druck et al. (2004), o semivariograma (Figura 01) é um gráfico no qual a
função semivariância dos dados cresce em função da distância (h) até determinado ponto
onde não se observa mais a continuidade espacial.
Figura 01 Parâmetros do semivariograma Fonte: Adaptado de Druck et al. (2004).
8
Esse ponto no eixo x (h) é denominado de alcance (a) do semivariograma, ou seja,
representa a distância observada até onde a variabilidade se estabiliza. No eixo y (γ) (h)),
este ponto é denominado patamar (C0 + C1) e, deste ponto em diante, considera-se que não
existe mais dependência espacial entre as amostras, porque a variância da diferença entre
pares de amostras torna-se aproximadamente constante.
O efeito pepita (C0) representa as variações locais de pequena escala, tais como
erros de amostragens e de medidas (DRUCK et al., 2004) e a contribuição (C1), também
conhecida como a variância da dispersão, representa as diferenças espaciais entre os
valores de C0 e o patamar (CRESSIE, 1993).
Segundo Cressie (1993), o modelo a ser selecionado deverá representar a
distribuição das semivariâncias da melhor forma possível. Por isso, podem ser ajustados
modelos distintos, sendo que os principais correspondem aos modelos esférico, exponencial
e gaussiano (Figura 02).
Figura 02 Modelos teóricos aplicados aos semivariogramas. Fonte: Adaptado de Cressie (1993).
É necessária a comparação dos resultados obtidos através dos modelos teóricos
para se avaliar qual deles se ajusta melhor aos dados obtidos através das amostras. Após a
definição do melhor modelo, os parâmetros encontrados são utilizados para estimar os
pontos não amostrados, como fizeram Santos et al. (2011), em seu trabalho, sobre espécies
florestais, Junqueira Júnior et al. (2008), com atributos físico-hídricos, Souza et al. (2010) e
Cherubin et al. (2011), com os atributos químicos do solo.
9
Após os ajustes dos modelos teóricos e de estimação dos parâmetros, pode-se
avaliar a distribuição dos erros ou resíduos. Segundo Faraco et al. (2008), os principais
critérios utilizados para avaliação do melhor modelo correspondem à validação cruzada,
Jackknifing, Filliben e Akaike, que são métodos de verificação dos dados estimados. Os
autores avaliaram os métodos e constataram que o da validação cruzada apresentou melhor
ajuste do modelo de variabilidade espacial.
3. 4. 2. 1 Validação Cruzada
Usada para encontrar o melhor modelo de ajuste matemático para o semivariograma,
a validação cruzada consiste de uma técnica de avaliação de erros de estimativa que
permite comparar valores estimados e amostrados, usando-se somente a informação
disponível na amostra de dados (ISAAKS; SRIVASTAVA, 1989).
A validação cruzada consiste em retirar um valor de cada vez do conjunto de dados e
estimá-lo, utilizando-se o método de interpolação por krigagem, a partir das observações
remanescentes, que serão sempre o conjunto original de dados menos uma observação
(FARACO et. al., 2008). Retorna-se o valor ao conjunto e retira-se outro valor, repetindo-se
o processo para todo o conjunto. Assim, para cada observação, tem-se o erro de estimação
que poderá ser padronizado pelo desvio padrão da estimação.
Ao semivariograma experimental, ajusta-se o modelo teórico que proporcionou o
melhor ajuste possível para que sejam determinados os parâmetros de efeito pepita (C0),
patamar (C0 + C1) e alcance (α), para que sejam geradas estatísticas de erro médio - EM
(Equação 2), erro médio reduzido - ER (Equação 3), o desvio-padrão dos erros médios - SEM
(Equação 4) e desvio-padrão dos erros médios reduzidos - SER (Equação 5) (FARACO et.
al., 2008).
∑=
−=n
iii sZsZ
nEM
1)( )(ˆ)(
1 Eq. (2)
∑=
−=
n
i i
ii
sZ
sZsZ
nER
1 )(
)(
))(ˆ(
)(ˆ)(1
σ Eq. (3)
∑=
−=n
iiiEM sZsZ
nS
1)( )(ˆ)(
1 Eq. (4)
10
∑=
−=
n
i i
iiER
sZ
sZsZ
nS
1 )(
)(
))(ˆ(
|)(ˆ)(|1
σ Eq. (5)
em que:
EM – erro médio;
ER - erro médio reduzido;
EMS – desvio-padrão dos erros médios;
ERS - desvio-padrão dos erros médios reduzidos;
n – número de dados;
)( isZ - valor observado no ponto )(is ;
)(ˆ)( isZ - valor predito por krigagem no ponto )(is ;
))(ˆ( )( isZσ - é o desvio-padrão da krigagem no ponto )(is , sem considerar a
observação )( isZ .
Bazzi et al. (2009) propuseram o índice de comparação de erros – ICE (Equações 6,
7 e 8) a fim de que fosse aperfeiçoada a seleção do melhor modelo, sendo que o modelo é
tanto melhor quanto menor for o ICE.
BAICEi += Eq. (6)
em que:
� = � ���(������)��������������
,��������� ���������� > 0
1,��������� ���������� = 0
� Eq. (7)
= � ���(�����)�������������
,��������� ����� − 1�� > 0
1, ��������� ����� − 1�� = 0
� Eq. (8)
11
3.5 Interpolação de Dados
O raciocínio que está na base da interpolação é o de que, em média, os valores do
atributo tendem a ser semelhantes em locais mais próximos do que em locais mais
afastados (MIRANDA, 2005).
A interpolação é um procedimento de estimação do valor de atributos em locais não
amostrados com base nas informações obtidas em pontos amostrados. A interpolação
espacial converte dados de observações pontuais em campos contínuos e produz padrões
espaciais que podem ser comparados com outras entidades espaciais contínuas (BAZZI et
al., 2010).
A interpolação de dados é requisito para a construção de mapas temáticos e a
avaliação da qualidade dos interpoladores é uma importante tarefa, considerando que o
mapa interpolado deve representar a realidade da distribuição do atributo estudado da
melhor forma possível (BAZZI et al., 2010).
Os métodos de interpolação mais comuns e de uso em conjuntos de dados
relacionados à AP são: vizinho mais próximo, inverso da distância elevado a uma potência
(IDP) e krigagem (MOLIN, 2008). A diferença entre os métodos de interpolação é a maneira
como os pesos são atribuídos às diferentes amostras (MOLIN, 2008).
O método vizinho mais próximo estima o valor para determinado local como sendo o
valor do ponto amostral mais próximo. Este método leva em consideração a escolha de
apenas uma amostra vizinha para cada ponto da grade. O interpolador deve ser usado
quando se deseja manter os valores de cotas das amostras na grade, sem gerar valores
intermediários (DRUCK et al., 2004). Tal método é muito eficiente se os pontos estão
espaçados regularmente e precisam ser convertidos em arquivos de malha regular
(MAZZINI; SCHETTINI, 2009).
Na interpolação usando IDP (Equação 9), os pesos são definidos como o inverso da
distância elevado a uma potência, em que a distância é a que separa o valor interpolado dos
valores observados. Este método faz com que os pesos dos dados sejam avaliados durante
o processo de interpolação e a influência de cada ponto amostrado é inversamente
proporcional à distância do ponto a ser estimado (MAZZINI; SCHETTINI, 2009).
Ẑ� =
∑ � 1��� ∗ �������
∑ � 1��������
Eq. (9)
em que,
Ẑ� - valor interpolado;
iZ - valor do atributo amostrado;
12
��
� – distância euclidiana entre o i-ésimo ponto de vizinhança e o ponto amostrado
elevado a uma potência.
O método IDP possui dois casos mais conhecidos: o inverso da distância (ID) e o
inverso do quadrado da distância (IQD). A diferença entre eles é o expoente ao qual o
cálculo é submetido. A potência é utilizada para atenuar a influência dos pontos distantes. É
um processo puramente matemático, no qual os dados são ponderados de tal forma que a
influência entre eles diminui conforme aumenta a distância. O fator peso é predeterminado
pelo valor da potência escolhida, ou seja, quanto maior é esse valor, menor é a influência
dos pontos mais distantes. Este é um método rápido e que requer pouco custo
computacional (MAZZINI; SCHETTINI, 2009).
Tanto ID como IQD são métodos considerados simples e de fácil aplicação, no
entanto, são menos acurados que a krigagem, uma vez que não consideram o padrão da
estrutura da dependência espacial (SILVA et al., 2008). Entretanto, Couto; Scaramuzza e
Maraschini (2002) relatam que tanto a krigagem como o IQD e o ID apresentam destaque de
utilização na inferência de dados, todavia, o melhor depende principalmente do atributo a
ser estimado.
O método da krigagem não é um simples método de interpolação estocástico, pois
utiliza geoestatística para efetuar a interpolação e isso, em muitos casos, é uma grande
vantagem sobre outros métodos (MAZZINI; SCHETTINI, 2009). A krigagem define o grau de
dependência ou correlação espacial entre as amostras através do semivariograma. Uma vez
modelado o semivariograma, é possível verificar o nível de anisotropia dos dados, e então
definir os melhores pesos para as amostras (MAZZINI; SCHETTINI, 2009).
No método krigagem, os pesos são determinados a partir da análise espacial,
baseada no semivariograma experimental (DRUCK et al., 2004). É necessário constatar a
dependência espacial através da análise geoestatística, e então realizar as inferências para
os locais não amostrados.
A krigagem interpola os valores com as condições de estimativa sem
tendenciosidade e com variância mínima em relação aos valores conhecidos, considerando
a estrutura de variabilidade espacial encontrada para o atributo, a qual é definida pela
Equação 10 (GREGO; VIEIRA, 2005).
∑=
=n
iiii ZZ
1
^
*λ Eq. (10)
em que,
iZ^
- é o valor interpolado;
13
iλ - é o peso atribuído aos valores amostrais;
iZ - é o valor do atributo amostrado;
n - é o número de localidades vizinhas empregadas para a interpolação do ponto, em
que o somatório dos pesos iλ deve ser igual a um.
A eficiência da krigagem se deve ao fato de fornecer um algoritmo dos erros
associados aos resultados obtidos, através de um modelo contínuo de variação espacial.
Este método de interpolação é considerado flexível e robusto e procura expressar as
tendências direcionais que os dados sugerem, evitando, assim, o efeito de “olho-de-touro”,
resultado de muitos interpoladores como o IDP (CRESSIE, 1993).
A krigagem ordinária é o mais difundido dos vários métodos de estimativa existentes.
Sua utilização resulta em valores com mínima variância de erro e proporciona precisão local,
porém, as estimativas são suavizadas e fazem com que os valores de máximo da
distribuição estatística dos dados tenham a tendência de serem subestimados, enquanto os
valores de mínimo podem ser superestimados (ROCHA; LOURENÇO; LEITE, 2007).
3.6 Comparação de mapas temáticos
Os resultados de análises laboratoriais de atributos físicos e químicos do solo, e
também de produtividade, em que se considera a posição das amostras, em conjunto com
os dados estimados, possibilitam, de forma eficiente, a construção de mapas temáticos
(ASSUMPÇÃO et al., 2007). Tais mapas demonstram a variabilidade espacial de um atributo
na área de análise e são gerados com base nos valores interpolados.
O mapa temático representa certo número de conjuntos espaciais resultantes da
classificação dos fenômenos que integram o objetivo de estudo de determinado ramo
específico, fruto da divisão do trabalho científico. À medida que aumenta o conjunto de
dados disponíveis, cresce também a capacidade de novas análises e novos mapas
(ZIMBACK, 2003).
Segundo Figueiredo e Vieira (2007), a exatidão de um mapa indica a proximidade de
determinada medida ao seu valor real, então, a confiabilidade de um mapa está vinculada à
sua exatidão.
Os mapas de distribuição espacial são gerados a partir de modelagem matemática
por métodos de interpolação, ou seja, estimam-se valores para locais não amostrados, a
partir de um número de pontos observados em campo. No entanto, é necessário comparar
os métodos de interpolação, pois os resultados obtidos na geração dos mapas poderão ser
diferentes, dependendo do interpolador utilizado (TIEPPO et al., 2007).
14
Os métodos de interpolação usados tornam-se, então, ferramentas imprescindíveis,
pois os resultados gerados podem subestimar ou superestimar o valor do atributo em estudo
(COUTO; SCARAMUZZA; MARASCHINI, 2002). Nesse sentido, a qualidade da estimação
depende tanto da escolha dos métodos de interpolação, como da aplicação apropriada de
métodos indicados para as características dos dados em estudo.
Para Yasrebi et al. (2008), a krigagem e o inverso da distância elevado a uma
potência são os dois métodos mais utilizados. Foram realizados trabalhos que comparam
esses métodos de interpolação e a maioria dos autores considerou a krigagem como melhor
interpolador quando comparada com IQD; é o caso de Silva et al., (2008) no que tange à
estimativa de atributos do solo, bem como para Bazzi et al., (2008), quando analisaram a
produtividade de milho. Porém, autores como Souza; Bazzi e Uribe-Opazo (2010), ao
analisarem a produtividade de várias safras, consideraram o IQD como o melhor método de
interpolação.
3.7 Índices para comparação de mapas temáticos
A avaliação da acurácia de mapas temáticos pode ser obtida por coeficientes de
concordância, tais como os índices Kappa e Tau (SANO; SANTOS; MENESES, 2009). São
métodos quantitativos em que os valores obtidos pela interpolação dos dados necessitam
ser reclassificados em classes iguais. Para tal, os valores são computados em uma matriz
de erros e todos os elementos desta matriz foram considerados para se obtivesse o índice
desejado (SANO; SANTOS; MENESES, 2009).
Ponzoni e Rezende (2002), ao compararem temas como floresta e capoeira e Sano;
Santos e Meneses (2009), com mapeamento de uso de cobertura do solo, da produtividade
da soja e dos atributos químicos do solo, obtiveram resultados com pequena diferença entre
os índices Kappa e Tau, porém com valores foram menores para o índice Kappa.
Também, Dalposso et. al., (2012) compararam mapas temáticos com e sem pontos
influentes, determinados pelo estudo da influência local, de acordo com os índices Kappa e
Tau, e determinaram que os mapas da produtividade do trigo foram diferentes.
3. 7. 1 Índice Kappa
Segundo Cohen (1960), o índice Kappa (Equação 11) é um coeficiente de
concordância para escalas nominais que usa a proporção de concordância depois que é
retirada a concordância atribuída à causalidade. O coeficiente Kappa (Equação 12) é uma
medida da concordância real (Po) (Equação 13), indicada pelos elementos diagonais da
15
matriz de erros, menos a concordância por chance (Pc) (Equação 14), indicada pelo produto
total da linha e coluna, ou seja, é uma medida que avalia o quanto a classificação está de
acordo com os dados de referência.
( )
( )
−
−=
∑
∑ ∑
=++
= =++
M
iii
M
i
M
iiiii
xxN
xxxN
K
1
2
1 1
*
*
Eq. (11)
c
co
P
PPK
−= −
1 Eq. (12)
N
x
P
M
iii
o
∑== 1
Eq. (13)
( )2
1
*
N
xx
P
M
iii
c
∑=
++
= Eq. (14)
Em que:
K - índice Kappa de concordância;
N - número de pontos estimados;
M - número de classes da matriz de erro;
iix - número de combinações na diagonal;
+ix - total de observações na linha i;
ix+ - total de observações na coluna i.
Po - representa a proporção de unidades que concordam plenamente;
Pc - proporção de unidades que concordam por casualidade.
O cálculo de Po é realizado pela razão do somatório da diagonal principal ( iix ) pelo
número total de pontos estimados ( N ), pois representa a proporção de unidades que
concordam plenamente. Pc é expresso pela razão do somatório do produto dos elementos
das linhas e colunas marginais ( ( )∑=
++
M
iii xx
1
* ) pelo número total de pontos estimados ( N )
ao quadrado, e representa os elementos atribuídos à determinada classe ao acaso
(COHEN, 1960).
16
Para Congalton e Green (1993), o índice Kappa é um dos principais meios utilizados
na determinação da exatidão de uma classificação temática. O coeficiente Kappa, ao
calcular a concordância por chance, inclui os elementos da diagonal principal no resultado,
logo, faz com que essa seja superestimada, reduzindo o valor do índice (PONZONI;
REZENDE, 2002).
3. 7. 2 Índice Tau
Foody (1992) ressaltou que o grau de concordância por chance poderia estar sendo
superestimado, pelo fato de incluir também a concordância real e que, por conta disso, a
magnitude de Kappa não refletiria a concordância presente na classificação, apenas
descontada a casualidade. Assim, foi criado o índice Tau (Equação 15) para a medição da
precisão de classificação, definido por Ma e Redmond (1995). Este índice considera a
medida da concordância real (Po) e da concordância casual (Pr) (Equação 16).
r
r
P1
P
−−= oP
T Eq. (15)
M
1Pr =
Eq. (16)
em que:
T - índice Tau de concordância;
M - número de classes da matriz de erro;
Po - representa a proporção de unidades que concordam plenamente;
Pr – concordância casual.
A concordância casual (Pr) é expressa por 1 dividido pelo número de categorias ou
classes, assim, seu cálculo é independente da matriz de erro. Na formulação do coeficiente
Tau, o valor da concordância causal é estabelecido a priori, evitando as falhas em que
incorrem outros métodos de comparação como o da exatidão global e o coeficiente Kappa
(PONZONI; REZENDE, 2002).
3. 7. 3 Coeficiente de desvio relativo
Coelho et al. (2009) propuseram o coeficiente de desvio relativo (CDR) com o
objetivo de comparar dois mapas temáticos (Equações 17 e 18). Ele expressa a diferença
17
média em módulo dos valores interpolados em cada mapa, considerando um deles como
mapa padrão, e expressa o resultado em porcentagem. Bazzi et al. (2008) consideraram
este índice útil para a comparação entre mapas da produtividade de milho e concluíram que
o CDR comportou-se de forma semelhante ao índice Kappa.
100*
−=
ipad
ipadii P
PPCDR Eq. (17)
n
CDR
CDR
n
ii∑
== 1 Eq. (18)
em que:
CDRi - coeficiente de desvio relativo pontual, %;
CDR - coeficiente de desvio relativo, %;
n - número de pontos estimados;
Pipad - ponto i do mapa padrão;
Pi - ponto i para o mapa a ser comparado.
4 MATERIAL E MÉTODOS
4.1 Localização da área e coleta de dados
Os dados de produtividade
experimento foram coletados
município de Cascavel, Paraná
temperatura média anual em torno de 19
Vermelho Distroférrico típico
A área utilizada para o experimento
tem as seguintes coordenadas
A área em estudo é manejada pelo sistema de plantio direto há mais de 10 anos,
sucessão das culturas de soja, milho e aveia
químicas do solo e efetuadas
potássio, conforme recomendações técnicas. Anteriormente à instalação do experimento, a
área havia sido cultivada com
sobre o solo.
Figura 03 Delimitação da área em estudoFonte: Google Earth (2011)
MATERIAL E MÉTODOS
Localização da área e coleta de dados
Os dados de produtividade e de atributos químicos do solo
coletados em uma propriedade agrícola, localizada na zona rural do
município de Cascavel, Paraná, onde o clima é do tipo Subtropical Mesotérmico
temperatura média anual em torno de 19 ºC. O solo da área foi classificado como
típico (EMBRAPA, 2006).
utilizada para o experimento possui 19,6 ha (Figura 03),
coordenadas: 24°57’19” S e 53°33'60" O, com elevação
manejada pelo sistema de plantio direto há mais de 10 anos,
sucessão das culturas de soja, milho e aveia. Durante este período,
químicas do solo e efetuadas correções de calcário e adubação com nitrogênio, fó
recomendações técnicas. Anteriormente à instalação do experimento, a
área havia sido cultivada com aveia, havendo restos vegetais remanescentes da colheita
Delimitação da área em estudo (2011).
18
do solo utilizados neste
, localizada na zona rural do
clima é do tipo Subtropical Mesotérmico Úmido, com
classificado como Latossolo
, e o centro geográfico
com elevação média de 706 m.
manejada pelo sistema de plantio direto há mais de 10 anos, com
, foram feitas análises
correções de calcário e adubação com nitrogênio, fósforo e
recomendações técnicas. Anteriormente à instalação do experimento, a
, havendo restos vegetais remanescentes da colheita
A cultura comercial foi
semeada no dia 09 de outubro
entre plantas de aproximadamente 0,06 m e entre
A delimitação da área
com auxílio de um receptor GPS
processada e precisão confiável de 1 a 3 m.
Após realizado o contorno da área, os dados foram importados para um computador
por meio do software PathFinder
permitiu a definição da localização
Devido à influência das curvas de nível,
(PA130) foram definidos considerando, além d
sua localização próxima à linha imaginária
Figura 04 Grade amostral da
A colheita das amostras
amostral representado por uma área de aproximadamente
amostral, foram colhidas duas linhas em um percurso de
linhas foi de 0,45 m (Figura
cultura comercial foi soja da variedade Nidera NA 4990 RG
de outubro de 2010, pelo sistema de plantio direto, com espaç
entre plantas de aproximadamente 0,06 m e entre as linhas o espaçamento
A delimitação da área experimental foi realizada pela demarcação do seu perímetro
auxílio de um receptor GPS Trimble Geo Explorer XT 2005
processada e precisão confiável de 1 a 3 m.
Após realizado o contorno da área, os dados foram importados para um computador
PathFinder. Com o mesmo software, foi possível
permitiu a definição da localização dos pontos amostrais.
influência das curvas de nível, os 130 pontos amostrais
foram definidos considerando, além da distância alternada de
linha imaginária central de cada curva de nível
mostral da produtividade de soja (130 pontos).
das amostras de soja foi realizada manualmente
amostral representado por uma área de aproximadamente 0,9 m
amostral, foram colhidas duas linhas em um percurso de um metro, cuj
Figura 05).
19
soja da variedade Nidera NA 4990 RG, safra 2010/2011,
plantio direto, com espaçamento
espaçamento foi de 0,45 m.
pela demarcação do seu perímetro
Trimble Geo Explorer XT 2005, com correção pós-
Após realizado o contorno da área, os dados foram importados para um computador
, foi possível gerar a grade, que
pontos amostrais da produtividade
de 20, 40 e 60 metros,
ível (Figura 04).
foi realizada manualmente, sendo cada ponto
m2. A partir do ponto
cujo espaçamento entre
Figura 05 Parcela de coleta
As plantas foram acomodad
meio de uma máquina trilhadora acoplada a um trator.
e o teor de água aferido, visando realizar a
de umidade.
A grade para a amostragem de solo
reduzindo-se para 55 pontos
metros. Tal redução foi feita por motivos econômicos.
Conforme pode se evidenciar na grade amostral (Figura
do solo, os 55 pontos fazem parte dos 130 da produtividade.
Figura 06 Grade amostral do experimento
Parcela de coleta.
foram acomodadas em sacos (tipo ráfia) e posteriormente
meio de uma máquina trilhadora acoplada a um trator. Em seguida, os grãos foram pesados
gua aferido, visando realizar a correção da produtividade
a amostragem de solo foi obtida a partir da grade da produtividade,
se para 55 pontos, mas com uma boa quantidade de pontos distanciados a 40
redução foi feita por motivos econômicos.
se evidenciar na grade amostral (Figura 06), para a análise química
os 55 pontos fazem parte dos 130 da produtividade.
do experimento.
20
posteriormente trilhadas por
, os grãos foram pesados
para um nível de 12%
obtida a partir da grade da produtividade,
uma boa quantidade de pontos distanciados a 40
para a análise química
21
A amostragem do solo foi realizada através do uso de trado manual. As amostras
foram compostas por quatro subamostras coletadas num raio de aproximadamente 3 m do
ponto georreferenciado, na profundidade de 0 a 0,20 m.
As amostras de solo foram enviadas ao laboratório de solos da COODETEC
(Cooperativa Central de Pesquisa Agrícola) para análise química de rotina, para que fossem
avaliados os atributos: fósforo (P), potássio (K), alumínio (Al), cálcio (Ca), magnésio (Mg),
cobre (Cu), zinco (Zn), ferro (Fe), manganês (Mn), carbono (C), pH e H+Al.
4.2 Análise exploratória e descritiva
Os dados foram estatisticamente analisados por análise exploratória, visando avaliar
seu comportamento a partir da identificação de pontos discrepantes bem como a distribuição
espacial dos dados de acordo com a grade amostral e representados pela classificação
interquartis.
A partir da análise descritiva dos dados, foram calculadas as medidas de posição
(média e mediana), medidas de dispersão (desvio padrão, amplitude interquartis e
coeficiente de variação) e medidas de forma da distribuição (coeficiente de assimetria e
coeficiente de curtose). O coeficiente de variação (CV) foi classificado como baixo quando
CV ≤ 10%; como médio quando 10% < CV ≤ 20%, como alto quando 20% < CV ≤ 30%, e
como muito alto quando CV > 30% (PIMENTEL; GARCIA, 2002). Os testes de Anderson-
Darling e Kolmogorov-Smirnovs foram aplicados ao nível de 5% de significância, e os dados
foram considerados normais caso pelo menos um dos testes apresentasse normalidade.
A assimetria mede o grau de desvio da simetria de uma distribuição e a curtose
mede o grau de achatamento da distribuição. Essas medidas foram utilizadas para estudar a
forma da distribuição de probabilidade das variáveis. Os coeficientes obtidos através dos
dados amostrais foram comparados com os intervalos de confiança da assimetria e curtose,
gerados para os diferentes tamanhos de amostras, sugeridos por Jones (1969) e
classificados em simétrica, assimétrica positiva (“cauda” mais longa para a direita) e
assimétrica negativa (“cauda” mais longa para a esquerda), e a curtose em mesocúrtica
(distribuição normal), platicúrtica (topo achatado) e leptocúrtica (pico relativamente alto).
4.3 Análise Geoestatística
Os dados foram analisados por meio da geoestatística para identificar a variabilidade
espacial de cada atributo. Utilizou-se o software ArcView 9.2 para construir o
semivariograma, o qual permitiu avaliar o índice de dependência espacial, por meio dos
22
parâmetros de efeito pepita e patamar. A semivariância foi estimada utilizando-se o
estimador clássico de Matheron (1963), padrão do software. O ajuste do modelo teórico
(esférico, exponencial ou gaussiano) ao semivariograma experimental foi realizado pelo
método de ajuste de mínimos quadrados ordinários (OLS), cujos pesos são iguais para
todas as semivariâncias, adotando-se o modelo isotrópico (semivariograma omnidirecional)
com ponto de corte (cutoff) de 50% da distância máxima.
Segundo Cambardella et al. (1994), Souza et. al. (1999) e Lima et. al. (2010), depois
de definidos os parâmetros, avalia-se o índice de dependência espacial (IDE), que
corresponde à relação percentual entre o efeito pepita e o patamar (Equação 19).
100*10
0
CC
CIDE
+= Eq. (19)
em que:
IDE – índice de dependência espacial;
C0 – efeito pepita;
C1 – contribuição;
C0 + C1 = patamar.
Quanto maior o IDE, menor será a dependência espacial. Cambardella et al. (1994)
propuseram que o IDE fosse classificado como fraco, moderado e forte (Tabela 01).
Tabela 01 Classificação do índice de dependência espacial (IDE) IDE Dependência espacial
até 25% Forte de 25% a 75% Moderada acima de 75% Fraca
Fonte: Cambardella et al. (1994).
O mesmo software foi utilizado para que fossem geradas, estatísticas de erro médio
(EM), erro médio reduzido ( ER ), o desvio padrão dos erros médios (SEM) e o desvio padrão
dos erros médios reduzidos (SER ). Os valores obtidos pelo ER e SER foram utilizados para o
cálculo do índice de comparação de erros (ICE) e para avaliar o melhor modelo ajustado
(esférico, exponencial ou gaussiano) aos semivariogramas.
23
4.4 Interpolação de dados
Após as análises estatística e geoestatística para os atributos que apresentaram
dependência espacial entre os dados amostrais, também fazendo uso do software Arcview
9.2, foi realizada a interpolação dos dados e gerados mapas temáticos pelos métodos
inverso da distância (ID), inverso do quadrado da distância (IQD) e krigagem ordinária (Kri).
4.5 Comparação de mapas temáticos
Os valores estimados foram reclassificados para que os mapas temáticos fossem
comparados entre si; levando em consideração o menor mínimo e o maior máximo entre os
mapas em comparação, para a geração de cinco classes com intervalos iguais. Foi adotado
o número de classes igual a cinco, corroborando com Molin (2000) que sugere que o
número de intervalos seja entre três e cinco.
Após a reclassificação, foram geradas as matrizes de erros que consideram as
coincidências existentes entre os valores estimados pelas diferentes densidades amostrais e
pelos diferentes interpoladores.
Em virtude de existirem 55 amostras de atributos químicos, optou-se que na
comparação entre diferentes densidades amostrais da produtividade, o mapa utilizado como
padrão fosse o PA55 e o mapa a ser comparado fosse o PA130.
O mapa definido como padrão para a comparação entre os diferentes tipos de
interpoladores foi o gerado pela krigagem ordinária e comparado com o gerado por IQD e
com o ID. Quando a comparação foi realizada entre o IQD e o ID, o primeiro foi considerado
padrão e o segundo como mapa a ser comparado.
Para obter-se uma avaliação da concordância entre mapas, foram utilizados os
métodos de comparação Kappa (Equação 11), propostos por Cohen (1960) e o índice Tau
(Equação 15), proposto por Ma e Redmond (1995).
Segundo Figueiredo e Vieira (2007), embora o coeficiente Kappa seja muito utilizado
na avaliação da exatidão de mapeamento, não existe uma fundamentação teórica para
recomendar quais os níveis mínimos aceitáveis deste coeficiente de classificação.
Entretanto, para que seja avaliado o grau de concordância, foi utilizada a escala sugerida
por Luoto e Hjort (2005) e proposta originalmente por Landis e Koch (1977), que apresenta
níveis de desempenho, normalmente aceitos pela comunidade científica (Tabela 02).
24
Tabela 02 Classificação do grau de concordância dos índices Kappa e Tau Intervalo Concordância
0,81 – 1,00 Muito Forte 0,61 – 0,80 Forte 0,41 – 0,60 Moderada 0,21 – 0,40 Fraca 0,00 – 0,20 Sem concordância
Fonte: Landis e Koch (1977)
O CDR foi utilizado (Equações 17 e 18) visando também avaliar a diferença entre os
mapas temáticos gerados, de acordo com o método de comparação proposto por Coelho et
al. (2009), que calcula a diferença percentual entre o mapa padrão e o mapa que se deseja
comparar.
Os três métodos de interpolação também foram comparados pelos parâmetros EM e
SEM, obtidos através da validação cruzada, calculada no software Arcview. O valor de EM
mais próximo de zero e o menor valor de SEM foram os critérios utilizados para definir o
método de interpolação que apresentou, respectivamente, resultados menos tendenciosos e
com menor dispersão entre os dados amostrados e os interpolados, demonstrando assim
maior eficiência.
25
5 RESULTADOS E DISCUSSÃO
5.1 Análise exploratória e descritiva
A produtividade média da soja foi de 3,24 t ha-1 para a amostragem com 55 pontos
(PA55) e de 3,29 t ha-1 para a amostragem com 130 pontos (PA130). Esses resultados
apresentaram-se abaixo da média estadual de 3,36 t ha-1, porém, estão acima da média
nacional de 3,10 t ha-1 (CONAB, 2011). Como o ponto de máximo da produtividade (4,64 t
ha-1), presente em ambas amostragens, não foi considerado como erro amostral, manteve-
se o mesmo para a análise dos dados.
Verificou-se que ambos os conjuntos amostrais da produtividade apresentaram
similaridade (Tabela 03) ao se avaliar a tendência central (média e mediana), e houve
diferença de 1,7% nas medianas e 1,4% nas médias.
Foi possível observar que as medidas de tendência central (média e mediana) foram
semelhantes para grande parte dos atributos químicos estudados (Tabela 03), assim como
as pesquisas que visaram avaliar o comportamento dos atributos químicos do solo (SILVA et
al., 2008; AMADO et al., 2009; SILVA et al., 2010; SOUZA et al., 2010 e CHERUBIN et al.,
2011).
Os atributos C e pH foram classificados com CV baixo, PA55, PA130, Fe, Mn e Ca
com CV médio, H + Al e Mg com CV alto e muito alto para os demais atributos (Tabela 03).
O fato de que o CV atingiu praticamente 260%, considerado muito alto, para do atributo Al
corrobora com apresentado por Cherubin et al. (2011) bem como para o pH com o menor
CV (6,7%).
Verificou-se que PA55, PA130, Cu, C, pH, H+Al, Ca e K apresentaram-se como
simétricos por meio dos coeficientes de simetria e curtose e os demais atributos químicos do
solo (Zn, Fe, Mn, P, Mg e Al) foram classificados como assimetria positiva. Isso indica que
há predominância de valores abaixo da média aritmética (Tabela 03). A curtose foi
classificada como mesocúrtica para os atributos PA55, PA130, Zn, Mn, C, pH, H+Al, Ca e K;
como platicúrtica para o Cu e como leptocúrtica para os demais atributos. Os atributos Zn, P
e Al não apresentaram normalidade a 5% de significância.
Constatou-se que a redução de pontos amostrais (de 130 para 55) para os dados de
produtividade não influenciou significativamente nas medidas de tendência central, de
dispersão e de forma da distribuição (Tabela 03).
26
Tabela 03 Estatística descritiva da produtividade de soja e dos atributos químicos do solo Atributos n Mínimo Média Mediana Máximo Amp. D. P. C. V. Simetria Curtose
PA55 (t ha-1) 55 2,30 3,24 3,24 4,64 2,34 0,52 16,1%(m) 0,26(s) -0,18(A) PA130 (t ha-1) 130 2,09 3,29 3,29 4,64 2,55 0,52 15,8%(m) 0,14(s) -0,20(A) Cu (mg dm-3) 55 1,00 2,24 2,11 4,21 3,21 0,93 41,4%(ma) 0,34(s) -0,97(B) Zn (mg dm-3) * 55 1,00 1,61 1,32 4,04 3,04 0,79 49,2%(ma) 1,32(p) 0,98(A) Fe (mg dm-3) 55 14,00 18,40 18,00 30,00 16,00 2,85 15,5% (m) 1,29(p) 3,81(C) Mn (mg dm-3) 55 37,00 49,65 49,00 68,00 31,00 6,69 13,5% (m) 0,69(p) 0,83(A) P (mg dm-3) * 55 6,40 15,12 13,80 39,60 33,20 7,05 46,7%(ma) 1,52(p) 2,62(C) C (g dm-3) 55 28,05 33,08 33,12 37,79 9,74 2,39 7,2% (b) 0,18(s) -0,58(A) pH 55 4,50 5,24 5,20 6,00 1,50 0,35 6,7% (b) 0,15(s) -0,50(A) H+Al (cmolc dm-3) 55 3,97 6,23 6,21 9,70 5,73 1,32 21,2% (a) 0,52(s) -0,23(A) Ca (cmolc dm-3) 55 3,79 6,74 6,75 9,90 6,11 1,34 19,8% (m) 0,06(s) -0,36(A) Mg (cmolc dm-3) 55 1,44 2,22 2,12 3,82 2,38 0,54 24,2% (a) 1,26(p) 1,99(C) K (cmolc dm-3) 55 0,09 0,28 0,28 0,60 0,51 0,11 37,6%(ma) 0,56(s) 0,43(A) Al * 55 0,00 0,04 0,00 0,61 0,61 0,11 259,9%(ma) 3,15(p) 11,40(C) n: número de amostras; Amp: amplitude; D. P. – Desvio Padrão; C. V. - Coeficiente de Variação: baixo (b); médio (m), alto (a), muito alto (ma). Simetria: Simétrica (s); Assimétrica positiva (p); Assimétrica negativa (n); Curtose: Mesocúrtica (A); Platicúrtica (B); Leptocúrtica (C); PA55: amostragem de 55 pontos da produtividade; PA130: amostragem de 130 pontos da produtividade. * Não Normal a 5% de significância.
A avaliação de comparação com níveis de interpretação foi obtida de acordo com
Costa e Oliveira (2001) (Tabela 04), os quais avaliaram os valores encontrados para os
atributos do solo por meio das amostras coletadas. O teor de Zn foi classificado como baixo
em 91% das amostras e médio em 9%, portanto, representou uma situação de carência
deste elemento. Já o teor de Fe foi classificado como baixo em 13% das amostras e médio
em 87% delas, representando uma situação menos limitante do que a anterior. Os atributos
Cu, K e Ca apresentaram médio e alto teores em 35 e 65%, 20 e 40% e 2 e 98%,
respectivamente, os quais indicaram uma situação menos preocupante de falta desses
nutrientes. Foi possível o registro de altos teores de Mg e Mn, enquanto os teores de P e C
foram classificados com alto e muito alto.
Tabela 04 Níveis de interpretação dos atributos químicos do solo com a porcentagem
encontrada nos pontos amostrais Atributos Muito baixo Baixo Médio Alto Muito alto
Cu (mg dm-3) Classificação < 0,8 0,8 - 1,7 > 1,7 % Encontrado 35% 65%
Zn (mg dm-3) Classificação < 3,0 3,0 - 7,0 >7,0 % Encontrado 91% 9% Fe (mg dm-3) Classificação < 15,0 15,0 - 40,0 > 40 % Encontrado 13% 87% Mn (mg dm-3) Classificação < 15,0 15,0 - 30,0 >30,0
% Encontrado 100% P (mg dm-3) Classificação ≤ 3,0 3,1 - 6,0 6,1 - 9,0 >9,0
% Encontrado 16% 84%
C (g dm-3) Classificação <9,0 9,0 - 14,0 15,0 – 20,0 21,0-35,0 >35,0 % Encontrado 76% 24%
Ca (cmolc dm-3) Classificação ≤ 2,0 2,1 - 4,0 >4,0 % Encontrado 2% 98%
Mg (cmolc dm-3) Classificação <0,40 0,40 - 0,60 0,61 - 0,80 >0,80 % Encontrado 100% K (cmolc dm-3) Classificação ≤ 0,10 0,11 - 0,20 0,21 - 0,30 >0,30
% Encontrado 2% 20% 40% 38% Fonte dos níveis de interpretação: COSTA e OLIVEIRA (2001).
27
Por meio dos gráficos de Box-Plot (Figura 07), verificou-se que tanto a produtividade
PA130 como os atributos Zn, Fe, Mn, P, H+Al, Mg, K e Al apresentaram pontos discrepantes
localizados no quartil superior. É importante notar que, o PA55 não apresentou pontos
discrepantes, considerando que na redução dos pontos amostrais, apesar de permanecer o
mesmo valor de máximo, o valor mínimo foi alterado, diminuindo a amplitude. Como nenhum
ponto discrepante foi considerado erro amostral, os dados não foram retirados do conjunto
amostral.
4
3
2
4
3
2
4,5
3,0
1,5
3,5
2,5
1,5
32
24
16
60
50
40
39
27
15
36
33
30
6,0
5,4
4,8
10,0
7,5
5,0
10,0
7,5
5,0
4
3
2
0,6
0,4
0,2
0,50
0,25
0,00
PA55 PA130 Cu Zn
Fe Mn P C
PH H+Al Ca Mg
K Al
Figura 07 Box-plot da produtividade e dos atributos químicos do solo.
5.2 Análise geoestatística
Devido aos atributos Zn, P e Al não apresentarem normalidade a 5% de significância,
realizou-se a transformação Box-Cox e Johnson. Apesar da transformação, apenas o P
apresentou normalidade e optou-se por não realizar a análise geoestatística para Al e Zn,
nem, consequentemente, a comparação dos mapas temáticos.
Foram calculadas as semivariâncias pelo método de Matheron, sendo ajustados os
modelos esférico, exponencial e gaussiano. Para cada modelo foram obtidos os parâmetros
de efeito pepita, patamar e alcance; e a seleção do melhor modelo foi realizada utilizando-se
o índice de comparação de erros (ICE). O modelo gaussiano foi selecionado como melhor
para a produtividade da soja (PA55 e PA130), C e K. Os ajustes feitos utilizando o modelo
exponencial foram selecionados para os dados de Cu, Fe e Mn e para os demais atributos,
o modelo esférico foi selecionado como melhor (Tabela 05).
28
O índice de dependência espacial (Tabela 05) foi considerado forte apenas para o
atributo Cu e; considerando os modelos selecionados, os dados de produtividade (PA55 e
PA130), C, pH, Mg e K foram classificados com dependência espacial moderada. Os
atributos Fe, Mn, P, H+Al e Ca apresentaram dependência espacial fraca.
O pH e o H + Al apresentaram alcance inferior a 100 m, indicando que as amostras
não foram consideradas influentes a partir dessa distância. Para grande parte dos atributos
(PA55, PA130, Cu, Fe, Mn, P, C e K), o alcance foi de 397 m (Tabela 05), ou seja, a
distância máxima estipulada, considerando ponto de corte (cutoff), foi de 50%.
Tabela 05 Parâmetros do semivariograma para a escolha do melhor modelo para
produtividade e atributos químicos do solo Atributos Modelo C0 C1 Patamar Alcance IDE% ER SER ICE
PA55
Esférico 0,197 0,089 0,285 397,0 69% (m) 0,03 1,05 1,98 Exponencial 0,186 0,095 0,281 397,0 66% (m) 0,03 1,05 1,99 Gaussiano 0,210 0,086 0,297 397,0 71% (m) 0,03 1,04 1,73
PA130 Esférico 0,202 0,075 0,277 397,0 73% (m) 0,01 1,03 1,89
Exponencial 0,188 0,871 1,059 397,0 18% (fo) 0,01 1,04 1,85 Gaussiano 0,215 0,071 0,285 397,0 75% (m) 0,01 1,03 1,78
Cu Esférico 0,199 0,517 0,716 397,0 28% (m) 0,014 0,919 1,966
Exponencial 0,081 0,647 0,728 397,0 11% (fo) 0,015 0,983 1,213 Gaussiano 0,249 0,574 0,822 397,0 30% (m) 0,013 0,964 1,294
Fe Esférico 5,738 0,078 5,817 400,0 99% (f) 0,023 1,023 1,987
Exponencial 5,745 0,053 5,798 397,0 99% (f) 0,024 1,021 1,913 Gaussiano 5,759 0,048 5,807 397,0 99% (f) 0,023 1,022 1,938
Mn Esférico 37,38 6,331 43,71 397,0 86% (f) -0,021 0,993 1,985
Exponencial 35,28 8,613 43,89 397,0 80% (f) -0,020 0,995 1,720 Gaussiano 38,66 5,607 44,27 397,0 87% (f) -0,020 0,993 1,923
P Esférico 0,0030 0,0004 0,0034 397,0 89% (f) 0,0003 0,987 0,387
Exponencial 0,0010 0,0023 0,0033 86,2 29% (m) 0,0804 0,980 1,602 Gaussiano 0,0019 0,0014 0,0033 74,3 56% (m) 0,0287 0,967 1,357
C Esférico 3,678 2,655 6,333 397,0 58% (m) -0,012 1,032 1,821
Exponencial 3,102 3,198 6,301 397,0 49% (m) -0,009 1,039 1,762 Gaussiano 4,176 2,427 6,603 397,0 63% (m) -0,012 1,027 1,647
pH Esférico 0,076 0,046 0,122 97,3 62% (m) -0,086 1,036 1,316
Exponencial 0,054 0,069 0,122 82,7 44% (m) -0,110 0,932 2,000 Gaussiano 0,084 0,038 0,122 82,3 69% (m) -0,105 0,938 1,873
H+Al Esférico 1,482 0,257 1,739 85,2 85% (f) 0,124 0,969 1,349
Exponencial 1,387 0,351 1,738 65,2 80% (f) 0,069 0,911 1,498 Gaussiano 1,502 0,236 1,738 65,2 86% (f) 0,061 0,915 1,446
Ca Esférico 1,556 0,300 1,856 341,0 84% (f) -0,028 1,000 1,020
Exponencial 1,415 0,443 1,857 296,7 76% (f) -0,028 0,994 1,965 Gaussiano 1,613 0,243 1,856 298,9 87% (f) -0,029 0,998 1,328
Mg Esférico 0,151 0,163 0,314 199,4 48% (m) -0,037 0,965 1,496
Exponencial 0,000 0,311 0,311 130,7 0% (fo) -0,033 0,931 1,890 Gaussiano 0,123 0,184 0,307 114,8 40% (m) -0,037 0,941 1,859
K Esférico 0,008 0,004 0,012 397,0 65% (m) -0,045 1,066 1,846
Exponencial 0,007 0,005 0,012 397,0 58% (m) -0,043 1,078 1,964 Gaussiano 0,008 0,004 0,012 397,0 69% (m) -0,039 1,054 1,565
C0 – Efeito Pepita; C1 – Contribuição; IDE%: Índice de Dependência Espacial – fraca (f), moderada (m) e forte (fo); ER – erro médio reduzindo ; SER – desvio padrão do erro médio reduzido ; ICE – Índice de comparação de erros; Sublinhado indica o melhor modelo. Número de pontos: 55 (PA55) e 130 (PA130).
A estrutura de dependê
atributos estudados pode ser motivada pela distância entre os pontos amostrados, pois,
segundo Cora et. al., (2004)
continuidade espacial dos atri
5.3 Interpolação dos dados
Mapas foram gerados
interpoladores (Figuras 08 a 19
do quadrado da distância (IQD), inverso da distância (ID) e krigagem
Figura 08 Mapas temáticos
Figura 09 Mapas temáticos interpolados
A estrutura de dependência espacial moderada e fraca encontrada para
atributos estudados pode ser motivada pela distância entre os pontos amostrados, pois,
segundo Cora et. al., (2004), as amostragens mais intensivas podem revelar maior
continuidade espacial dos atributos analisados.
Interpolação dos dados
foram gerados para cada atributo de acordo com os respectivos
Figuras 08 a 19) a fim de avaliarem a influência dos interpoladores inverso
ncia (IQD), inverso da distância (ID) e krigagem.
Mapas temáticos da produtividade com 55 pontos amostrais (PA55), por IQD (a), ID (b) e krigagem (c).
Mapas temáticos da produtividade com 130 pontos amostrais (PA130), interpolados por IQD (a), ID (b) e krigagem (c).
(a) (b)
(a) (b)
29
ncia espacial moderada e fraca encontrada para muitos dos
atributos estudados pode ser motivada pela distância entre os pontos amostrados, pois,
amostragens mais intensivas podem revelar maior
para cada atributo de acordo com os respectivos
dos interpoladores inverso
com 55 pontos amostrais (PA55), interpolados
da produtividade com 130 pontos amostrais (PA130),
(c)
(c)
Figura 10 Mapas temáticos
Figura 11 Mapas temáticos
Figura 12 Mapas temáticos
Figura 13 Mapas temáticos
Mapas temáticos do atributo CU, interpolados por IQD (a), ID
Mapas temáticos do atributo Fe, interpolados por IQD (a), ID
Mapas temáticos do atributo Mn, interpolados por IQD (a), ID
Mapas temáticos do atributo P, interpolados por IQD (a), ID (b)
(a) (b)
(a) (b)
(a) (b)
(a) (b)
30
, ID (b) e krigagem (c).
, ID (b) e krigagem (c).
, ID (b) e krigagem (c).
(b) e krigagem (c).
(c)
(c)
(c)
(c)
Figura 14 Mapas temáticos
Figura 15 Mapas temáticos
Figura 16 Mapas temáticos
Figura 17 Mapas temáticos
Mapas temáticos do atributo C, interpolados por IQD (a), ID
Mapas temáticos do atributo pH, interpolados por IQD (a), ID
máticos do atributo H+Al, interpolados por IQD (a), ID
Mapas temáticos do atributo Ca, interpolados por IQD (a), ID
(a) (b)
(a) (b)
(a) (b)
(a) (b)
31
, ID (b) e krigagem (c).
, ID (b) e krigagem (c).
, ID (b) e krigagem (c).
, ID (b) e krigagem (c).
(c)
(c)
(c)
(c)
Figura 18 Mapas temáticos
Figura 19 Mapas temáticos
Haja vista a interpolação pelo método
maiores de máximo dentre os valores obtidos por todos os interpoladores,
cada atributo foram classificados em
iguais), utilizando-se como base
Verificou-se que a krigagem
PA130, Fe, Mn, P e K a classificação em duas classes
em três. A homogeneidade
interpolação através deste método. Porém
foram classificados em 4 ou 5 classes
sofreram menor efeito do interpolador em relação aos dados originais
menos a amplitude dos valores
O interpolador ID propiciou a geração de mapa
(Figura 09(b)) e, para os demais atributos
(Figura 08(b) e Figura 10(b) a 19(b))
interpolados pela krigagem
Mapas temáticos do atributo Mg, interpolados por IQD (a), ID
máticos do atributo K, interpolados por IQD (a), ID
interpolação pelo método IQD mensurar menores valores
máximo dentre os valores obtidos por todos os interpoladores,
ibuto foram classificados em cinco (5) classes de mesma amplitude (intervalos
como base os valores de máximo e mínimo, obtidos pelo IQD.
krigagem (Figuras 08(c) a 19(c)) propiciou para os
classificação em duas classes: o Ca em apenas
homogeneidade é consequência da suavização ocorrida no processo de
interpolação através deste método. Porém, os mapas dos atributos Cu,
foram classificados em 4 ou 5 classes, quando gerados pela krigagem
feito do interpolador em relação aos dados originais
menos a amplitude dos valores.
O interpolador ID propiciou a geração de mapa com três (3)
para os demais atributos, os mapas foram gerados com 4 ou 5 classes
e Figura 10(b) a 19(b)). Porém, da mesma maneira com
krigagem, ocorreu a suavização no processo de interpolação.
(a) (b)
(a) (b)
32
, ID (b) e krigagem (c).
, ID (b) e krigagem (c).
menores valores de mínimo e
máximo dentre os valores obtidos por todos os interpoladores, os mapas para
classes de mesma amplitude (intervalos
obtidos pelo IQD.
para os atributos PA55,
apenas uma classe e o C
ência da suavização ocorrida no processo de
os atributos Cu, pH, H + Al e Mg
krigagem. Estes atributos
feito do interpolador em relação aos dados originais, portanto, reduziram
) classes para PA130
os mapas foram gerados com 4 ou 5 classes
com que os mapas foram
interpolação.
(c)
(c)
33
5.4 Análise dos Interpoladores e influência da grad e amostral
Três abordagens foram realizadas para a avaliação dos interpoladores: 1) avaliação
dos interpoladores por meio da comparação dos dados originais e interpolados; 2) avaliação
de mapas temáticos gerados por diferentes grades amostrais; 3) avaliação de mapas
temáticos gerados por diferentes interpoladores.
5. 4. 1 Avaliação dos interpoladores pela comparaçã o dos dados originais e interpolados
Foram construídos três mapas temáticos para cada atributo (utilizando krigagem,
IQD e ID); os dados estimados foram avaliados por meio da estatística descritiva e
comparados aos dados originais visando identificar a influência dos interpoladores quanto a
se manter a estrutura inicial encontrada na amostragem. Desta forma, buscou-se identificar
a variação percentual referente às medidas de posição, dispersão e forma entre os
resultados encontrados com os dados amostrais e os dados interpolados.
Verificou-se que a amplitude dos valores foi alterada significativamente,
principalmente para os métodos da krigagem e ID (Tabela 06). A redução da amplitude é
resultado do incremento nos valores de mínimo e redução dos valores de máximo,
ocasionando a suavização dos dados. Este fato também influenciou o DP e o CV, que
sofreram redução. Menores influências para amplitude (- 0,1%) foram encontradas para os
atributos P, pH e H+Al nos mapas gerados por IQD, e a maior influência foi para o ferro (Fe)
(-80,2%) por krigagem (Tabela 06).
O método IQD foi o que menos interferiu na amplitude dos dados, no DP e CV. Tais
respostas concordam com o resultado encontrado por Bazzi et al. (2010).
Verificou-se que os dados interpolados referentes à produtividade (PA55 e PA130),
bem como para os atributos Cu, C, H+Al e Ca mantiveram distribuição simétrica (Tabela 06),
além do Mn (em todos os interpoladores) e o Fe (nos interpoladores IQD e ID) passaram a
ter distribuição simétrica. Para os atributos restantes (P, pH, Mg e K), os dados interpolados
foram classificados com assimetria positiva, com exceção do K, na interpolação krigagem.
A classificação de curtose foi alterada pelo interpolador IQD em 33% dos atributos,
por ID em 50% e por krigagem em 58%. Este é mais um indicativo de que dados estimados
por ID e krigagem sofreram maior influência dos interpoladores.
Genericamente, o método IQD foi o que menos influenciou o comportamento dos
dados e praticamente manteve os valores originais (Tabela 06); enquanto a krigagem foi o
método que apresentou os maiores percentuais do efeito do interpolador sobre os dados
originais. Porém, diferente das demais medidas, para média e mediana, o método da
34
krigagem foi o que menos influenciou, pois os valores estimados foram suavizados,
centralizando-os.
Tabela 06 Efeito dos interpoladores sobre os conjuntos de dados da produtividade e dos atributos químicos do solo
Atributos Inter- polador
Variação no valor Mínimo
Variação na Média
Variação na
Mediana
Variação no valor Máximo
Variação no DP
Variação no CV
Variação na Am- plitude
Assimetria Curtose
Amostra interp Amostra interp.
IQD 0,3% 1,2% 2,4% -0,5% -53,8% -54,4% -1,2% s s A C
PA55 ID 8,8% 1,4% 1,9% -11,5% -72,9% -73,3% -31,4% s s A C
Kri 22,5% 1,0% 2,0% -16,5% -63,6% -64,0% -54,9% s s A B
IQD 1,0% 0,6% 0,8% -1,0% -55,2% -55,5% -2,7% s s A C
PA130 ID 25,4% 0,8% 1,2% -14,3% -73,3% -73,5% -47,0% s s A A
Kri 38,1% 0,1% 0,5% -19,0% -63,7% -63,7% -66,0% s s A B
IQD 0,1% -1,5% 2,6% -0,2% -31,0% -30,0% -0,3% s s B B
Cu ID 8,6% 0,0% 6,1% -9,5% -43,3% -43,3% -15,2% s s B B
Kri 3,8% -6,9% -5,2% -7,4% -32,7% -27,7% -10,9% s s B A
IQD 0,3% -0,2% 1,5% -0,1% -60,3% -60,3% -0,6% p s C C
Fe ID 8,7% 0,1% 1,9% -4,7% -79,3% -79,3% -23,5% p s C C
Kri 21,4% 0,1% 2,1% -20,9% -86,6% -86,6% -80,2% p n C A
IQD 0,2% -0,7% 1,0% -0,3% -53,1% -52,7% -0,9% p s A A
Mn ID 8,9% -0,9% 0,1% -9,1% -71,3% -71,0% -30,5% p s A C
Kri 20,5% -0,8% 0,0% -20,9% -71,0% -70,7% -70,4% p s A B
IQD 0,7% 9,4% 10,8% 0,0% -34,9% -40,5% -0,1% p p C C
P ID 32,4% 7,5% 8,5% 0,0% -45,6% -49,4% -6,2% p p C C
Kri 83,0% -8,4% -1,7% -39,9% -81,1% -79,4% -63,6% p p C C
IQD 0,2% -0,6% -0,4% 0,0% -52,1% -51,8% -0,9% s s A A
C ID 7,4% -0,5% -0,4% -2,0% -70,3% -70,1% -29,2% s s A A
Kri 10,0% -0,5% 0,1% -7,7% -56,5% -56,3% -58,8% s s A B
IQD 0,0% 0,9% 0,9% 0,0% -41,7% -42,2% -0,1% s p A A
pH ID 3,1% 0,5% 0,6% 0,0% -54,2% -54,5% -9,2% s p A C
Kri 9,0% 1,9% 1,9% 0,0% -26,1% -27,4% -26,9% s p A A
IQD 0,0% -6,6% -5,9% -0,1% -25,2% -19,9% -0,1% s s A B
H+Al ID 0,0% -6,4% -4,0% -3,2% -29,8% -25,0% -5,4% s s A B
Kri 0,0% -6,1% -3,0% -7,2% -31,8% -27,4% -12,2% s s A B
IQD 0,2% 0,2% -0,7% -0,3% -52,8% -52,9% -0,6% s s A A
Ca ID 16,3% -0,6% -0,9% -10,7% -73,5% -73,3% -27,4% s s A C
Kri 26,4% 0,0% -0,5% -17,6% -73,0% -73,1% -44,9% s s A A
IQD 1,2% 1,0% 0,2% 0,0% -31,6% -32,3% -0,7% p p C C
Mg ID 18,4% 0,3% 1,0% -0,9% -44,1% -44,2% -12,6% p p C C
Kri 24,4% 2,3% 1,3% -1,0% -30,1% -31,6% -16,4% p p C C
IQD 4,4% -1,1% -1,4% -0,5% -55,6% -55,1% -1,4% s p A C
K ID 62,6% -3,3% -3,1% -13,9% -78,2% -77,5% -27,4% s p A C
Kri 139,2% 2,0% 2,9% -38,1% -67,7% -68,3% -69,4% s s A A
D. P. – Desvio Padrão; Simetria: Simétrica (s); Assimétrica positiva (p); Assimétrica negativa (n); Curtose: Mesocúrtica (A); Platicúrtica (B); Leptocúrtica (C); C. V. - Coeficiente de Variação: baixo (b); médio (m), alto (a), muito alto (ma). Número de pontos da produtividade: 55 (PA55) e 130 (PA130).
5. 4. 2 Avaliação de mapas temáticos gerados por diferentes grades am ostrais
Mapas temáticos foram gerados
para a produtividade da soja
avaliações restringiram-se
para as duas grades amostrais.
concordância (Tau, Kappa, CDR) e estatísticas de erro médio (EM) e desvio padrão do erro
médio (SEM), referentes à validação cruzada.
Pode-se perceber visualmente que houve similaridade entre os mapas gerados
(Figuras 20, 21 e 22), n
tamanho distinto (55 e 130 pontos),
com a grade amostral mais densa.
Figura 20 Mapas temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por IQD.
Figura 21 Mapas temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por ID.
de mapas temáticos gerados por diferentes grades am ostrais
foram gerados a partir de duas grades amostrais (
ara a produtividade da soja, utilizando três interpoladores (krigagem
se às comparações entre mapas gerados pelo mesmo interpolador
para as duas grades amostrais. Foram avaliados os mapas de forma visual,
, Kappa, CDR) e estatísticas de erro médio (EM) e desvio padrão do erro
validação cruzada.
se perceber visualmente que houve similaridade entre os mapas gerados
(Figuras 20, 21 e 22), na avaliação da influência dos interpoladores com amostra de
tamanho distinto (55 e 130 pontos), apresentando maior fragmentação nos mapas gerados
com a grade amostral mais densa.
temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por IQD.
temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por ID.
(a)
(a)
35
de mapas temáticos gerados por diferentes grades am ostrais
a partir de duas grades amostrais (PA55 e PA130),
krigagem, ID e IQD). As
comparações entre mapas gerados pelo mesmo interpolador
Foram avaliados os mapas de forma visual, os índices de
, Kappa, CDR) e estatísticas de erro médio (EM) e desvio padrão do erro
se perceber visualmente que houve similaridade entre os mapas gerados
ncia dos interpoladores com amostra de
maior fragmentação nos mapas gerados
temáticos de produtividade com densidades PA55(a) e PA130(b),
temáticos de produtividade com densidades PA55(a) e PA130(b),
(b)
(b)
Figura 22 Mapas temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por
Os índices Kappa e
matrizes de erros, para avaliação de mapas temáticos construí
amostrais (Anexo A). O objetivo é de
percentual de dissimilaridade entre os valores obtidos entre dois mapas,
de desvio relativo (CDR) foi calculado.
As matrizes de erros foram geradas com base nas informações da reclassificação
dos dados interpolados em
classes geradas basearam
krigagem apresentou menores amplitudes
Tabela 07 Reclassificação dos dados
Classes
Classe 1
Classe 2
Classe 3
Classe 4
Classe 5
Verificou-se que os mapas que apresentaram maior
interpolados pelo método ID, sendo considerada
forte (para o Tau) (LUOTO;
1,62% (CDR) (Tabela 08)
resultados e a krigagem apresentou as diferenças mais significativas
Tau como o Kappa apresentaram resultado
e CDR de 3,17% entre os mapas gerados
temáticos de produtividade com densidades PA55(a) e PA130(b), interpolados por krigagem.
Kappa e Tau (Tabela 07) foram calculados a partir da
para avaliação de mapas temáticos construídos por diferentes grades
O objetivo é de avaliar tanto a concordância entre os mapas
percentual de dissimilaridade entre os valores obtidos entre dois mapas,
foi calculado.
As matrizes de erros foram geradas com base nas informações da reclassificação
dos dados interpolados em cinco classes de intervalos iguais (Tabela
am-se nos resultados obtidos por cada interpolador,
apresentou menores amplitudes quando comparada aos demais interpoladores.
7 Reclassificação dos dados interpolados de produtividade (t haIQD ID
2,12 - 2,61 2,50 - 2,82
2,62 - 3,12 2,83 - 3,15
3,13 - 3,62 3,16 - 3,47
3,63 - 4,12 3,48 - 3,79
4,13 - 4,62 3,80 - 4,11
os mapas que apresentaram maior concordância
étodo ID, sendo considerada concordância forte (para o Kappa) e muito
UOTO; HJORT, 2005), tendo-se uma diferença média em módulo de
(Tabela 08). Através do IQD, os índices também apresentaram bons
rigagem apresentou as diferenças mais significativas. Assim
como o Kappa apresentaram resultados classificados como de concordância
% entre os mapas gerados (Tabela 08).
(a)
36
temáticos de produtividade com densidades PA55(a) e PA130(b),
foram calculados a partir da construção de
dos por diferentes grades
entre os mapas como o
percentual de dissimilaridade entre os valores obtidos entre dois mapas, assim, o coeficiente
As matrizes de erros foram geradas com base nas informações da reclassificação
Tabela 07). Os intervalos das
se nos resultados obtidos por cada interpolador, porém, a
os demais interpoladores.
(t ha-1) krigagem
2,82 - 3,03
3,04 - 3,24
3,25 - 3,45
3,46 - 3,66
3,67 – 3,88
concordância correspondem aos
forte (para o Kappa) e muito
uma diferença média em módulo de
os índices também apresentaram bons
. Assim, tanto o índice
concordância moderada
(b)
37
Tabela 08 Índices Kappa, Tau e CDR obtidos pela comparação entre mapas de diferentes grades amostrais da produtividade (PA55 e PA130), interpolados por krigagem ordinária, IQD e ID
IQD ID krigagem
Kappa 0,58 (m) 0,63 (f) 0,50 (m)
Tau 0,79 (f) 0,82 (mf) 0,55 (m)
CDR 1,98% 1,62% 3,17% IQD – inverso do quadrado da distância; ID – inverso da distância. Classificação de Kappa e Tau – moderada (m), forte (f) e muito forte (mf). Número de pontos: 55 (PA55) e 130 (PA130).
A redução de pontos amostrais proporcionou mapas com maiores diferenças
porcentuais médias pelo método da krigagem, que foi mais influenciado pela redução dos
pontos amostrais. Esses dados estão de acordo com os obtidos por Coelho et al., (2009).
Os valores de erro médio (ER) e do desvio padrão dos erros médios (SEM) foram
obtidos por validação cruzada. Verificou-se que todos os interpoladores apresentaram os
melhores resultados para a amostragem com maior densidade (PA130) (Tabela 09), pois
EM apresentou resultados mais próximos de zero e o menor valor para SEM. Esse fato
corrobora com os dados de Bazzi et al., (2008) e confirma-se que a amostragem mais densa
apresentou-se menos tendenciosa e com menor dispersão. Na comparação entre os
interpoladores, a krigagem obteve o melhor resultado ao proporcionar EM mais próximo de
zero e menor do que SEM (Tabela 09).
Tabela 09 Parâmetros da validação cruzada referentes aos dados de duas amostragens de produtividade
PA55 PA130
Interpoladores EM SEM EM SEM
ID 0,0270 0,518 0,0177 0,495
IQD 0,0128 0,538 0,0106 0,500
Krigagem 0,0135 0,507 0,0059 0,492
Amostragem menos tendenciosa Menor dispersão (amostragem mais eficiente) Número de pontos: 55 (PA55) e 130 (PA130); EM: erro médio; SEM: desvio padrão dos erros médio
5. 4. 3 Avaliação de mapas temáticos gerados por di ferentes interpoladores
Para a avaliação dos mapas temáticos gerados por diferentes interpoladores, foram
construídas matrizes de erros para as comparações entre krigagem x IQD, krigagem x ID e
IQD x ID, para todos os atributos (Anexo B). Os resultados obtidos serviram como
parâmetros para avaliação referente à concordância dos mapas em função dos métodos de
interpolação utilizados, pelos cálculos dos índices Kappa e Tau. O percentual de
dissimilaridade entre os mapas foi calculado através do CDR. Além disto, foi utilizada a
comparação dos parâmetros da validação cruzada para avaliar qual dos interpoladores foi
menos tendencioso e com menor dispersão dos dados.
38
Dentre os resultados encontrados, para os mapas de produtividade da soja, verificou-
se que os níveis de concordância foram classificados como forte (Kappa) e de forte a muito
forte (Tau) para a amostragem de 55 pontos, e, moderada (Kappa) e de forte a muito forte
(Tau) para a amostragem mais densa (Tabela 10). O CDR mostrou que a diferença máxima
entre os mapas foi de 2,8% para a menor amostragem e de 2,9% para os mapas gerados
com a grade de 130 pontos. Portanto, os mapas de produtividade gerados pelos três
interpoladores foram considerados semelhantes através dos índices Kappa e Tau.
Os valores resultantes da interpolação por krigagem, quando comparados com os
valores obtidos por IQD, apresentaram concordância forte ou moderada na maioria dos
atributos pelo índice kappa, em que apenas os atributos P e Ca apresentaram concordância
fraca (Tabela 10). O índice de concordância Tau foi classificado como moderado para os
atributos P e pH, e forte para os demais atributos.
Ainda para comparação entre o interpolador krigagem e IQD, por meio do CDR foi
possível identificar que a diferença entre mapas foi pequena (entre de 0,7% a 8,1%), apesar
de que para o P, a variação foi mais significativa (22,2%) (Tabela 10). Este fato
provavelmente ocorreu devido à não normalidade dos dados amostrais que foram
transformados antes da interpolação, mantendo-se a unidade de medida original após este
procedimento.
Na comparação da krigagem com ID, verificou-se que houve uma melhor
concordância do que na comparação com IQD. Este fato está relacionado à classificação
dos mapas que tanto para krigagem como para ID, apresentaram menor número de classes
e mantiveram seus valores concentrados nas classes centrais. Na análise do CDR, foi
possível verificar que, com exceção ao Cu e P, os mapas interpolados por ID sofreram
alteração em no máximo 7,2% (CDR), quando comparados com os da krigagem.
Os mapas de IQD quando comparados com os gerados por ID apresentaram
concordância forte ou muito forte para todos os atributos através do índice Tau. No entanto,
o Kappa apresentou, para PA130, C, pH e K, classificação moderada e para Ca fraca, assim
divergiu destes resultados. A diferença máxima encontrada pelo CDR foi de 6,3%, indicando
boa similaridade entre os mapas (Tabela 10).
O índice Tau apresentou valores superiores ao do Kappa para todos os atributos e
para todos os interpoladores (Tabela 10). Isto ocorreu pelo fato do coeficiente Kappa, ao
calcular a concordância casual, incluir no resultado, os elementos da diagonal principal,
fazendo com que a concordância seja superestimada, reduzindo o valor do índice
(PONZONI; REZENDE, 2002).
39
Tabela 10 Comparação entre mapas gerados por diferentes interpoladores por meio dos índices Kappa, Tau e CDR
Atributo Interpoladores Kappa Tau CDR
PA55 krigagem x IQD 0,69(F) 0,80(F) 2,8% krigagem x ID 0,72(F) 0,84(MF) 2,2% IQD x ID 0,66(F) 0,80(F) 2,7%
PA130 krigagem x IQD 0,49(M) 0,77(F) 2,9% krigagem x ID 0,51(M) 0,82(MF) 2,2% IQD x ID 0,46(M) 0,80(F) 2,5%
Cu krigagem x IQD 0,68(F) 0,70(F) 7,9% krigagem x ID 0,54(M) 0,59(M) 12,5% IQD x ID 0,75(F) 0,78(F) 6,3%
Fe krigagem x IQD 0,47(M) 0,69(F) 3,0% krigagem x ID 0,77(F) 0,89(MF) 1,1% IQD x ID 0,62(F) 0,78(F) 2,0%
krigagem x IQD 0,70(F) 0,80(F) 2,3% Mn krigagem x ID 0,87(MF) 0,92(MF) 0,7% IQD x ID 0,71(F) 0,81(MF) 2,2%
krigagem x IQD 0,25(Fr) 0,50(M) 22,2% P krigagem x ID 0,35(Fr) 0,60(M) 17,7% IQD x ID 0,72(F) 0,81(MF) 6,3% krigagem x IQD 0,65(F) 0,74(F) 1,3% C krigagem x ID 0,48(M) 0,67(F) 1,3% IQD x ID 0,51(M) 0,69(F) 1,1% krigagem x IQD 0,47(M) 0,57(M) 1,8% pH krigagem x ID 0,32(Fr) 0,47(M) 2,1% IQD x ID 0,60(M) 0,75(F) 1,0%
krigagem x IQD 0,77(F) 0,80(F) 2,9% H+Al krigagem x ID 0,88(MF) 0,90(MF) 1,4% IQD x ID 0,88(MF) 0,90(MF) 1,6%
krigagem x IQD 0,23(Fr) 0,65(F) 3,7% Ca krigagem x ID 0,79(F) 0,96(MF) 1,4% IQD x ID 0,30(Fr) 0,67(F) 3,5%
krigagem x IQD 0,63(F) 0,74(F) 4,2% Mg krigagem x ID 0,55(M) 0,70(F) 4,4% IQD x ID 0,72(F) 0,82(MF) 3,0%
K krigagem x IQD 0,43(M) 0,65(F) 8,1% krigagem x ID 0,37(Fr) 0,64(F) 7,2% IQD x ID 0,52(M) 0,77(F) 6,2%
Número de pontos: 55 (PA55) e 130 (PA130); Concordância: fraca (Fr); moderada (M); forte (F); muito forte (MF).
Por meio das estatísticas erro médio (EM, Equação 2) e desvio padrão dos erros
médios (SEM, Equação 4), obtidos pela validação cruzada, identificou-se que, para EM, a
krigagem apresentou melhores resultados para sete atributos (PA130, Cu, Fe, P, C, Ca e K);
o IQD apresentou os melhores resultados para quatro atributos (PA55, Mn, H+Al e Mg) e
para o ID, houve um atributo (pH) (Tabela 11). Da mesma forma, para o SEM, a krigagem
gerou melhores resultados para seis atributos (PA55, PA130, Cu, Fe, Mn e K); o IQD para
cinco atributos (C, pH, H+Al, Ca e Mg) e o ID para um atributo (P) (Tabela 11).
40
Tabela 11 Parâmetros da validação cruzada referentes aos dados obtidos pelos interpoladores inverso da distância (ID), inverso do quadrado da distância (IQD) e krigagem ordinária
PA55 PA130 Cu Fe Mn P
Interpolador EM SER EM SER EM SER EM SER EM SER EM SER
ID 0,0270 0,518 0,0177 0,495 0,039 0,58 0,085 2,52 -0,166 6,44 -0,428 7,06
IQD 0,0128 0,538 0,0106 0,500 0,051 0,55 0,095 2,60 -0,051 6,49 -0,487 7,09
krigagem 0,0135 0,507 0,0059 0,492 0,015 0,55 0,059 2,49 -0,133 6,40 -0,170 7,15
C pH H+Al Ca Mg K
Interpolador EM SER EM SER EM SER EM SER EM SER EM SER
ID -0,047 2,25 -0,030 0,36 0,192 1,41 -0,069 1,34 -0,034 0,51 -0,010 0,11
IQD 0,051 2,21 -0,036 0,36 0,167 1,41 -0,067 1,32 -0,033 0,49 -0,011 0,11
krigagem -0,027 2,24 -0,035 0,39 0,203 1,43 -0,042 1,33 -0,035 0,79 -0,005 0,10
Método menos tendencioso Menor dispersão (amostragem mais eficiente) Número de pontos: 55 (PA55) e 130 (PA130); EM: erro médio; SER: desvio padrão dos erros médios.
Assim como neste estudo, Souza et al. (2010) e Silva et al. (2008), avaliaram alguns
atributos químicos do solo e concluíram que os métodos de interpolação utilizados em seus
experimentos (krigagem e IQD) não apresentaram diferenças significativas para quaisquer
dos atributos. No entanto, observaram diferença visual nos mapas interpolados pelos dois
métodos.
Da mesma forma, Couto; Scaramuzza e Maraschini (2002) relatam que tanto a
krigagem como o IQD apresentam destaque de utilização na inferência de dados, sendo que
o melhor depende principalmente do atributo a ser estimado (Souza et al., 2010), fato esse
encontrado neste estudo.
Concordando também com Yasrebi et al., (2008), o P e o K tiveram melhor
desempenho por krigagem. Para o pH, houve divergência, pois neste estudo, o IQD
apresentou melhores resultados, diferente do apresentado por estes autores.
Não foi possível identificar, através dos parâmetros da validação cruzada, qual o
melhor método de interpolação, pois ocorreram variações de atributo para atributo em
relação à distribuição espacial dos dados, porém, genericamente, a krigagem e o IQD
obtiveram os melhores resultados.
41
6 CONCLUSÕES
• O interpolador inverso do quadrado da distância (IQD) foi o que menos
influenciou os dados originais;
• A redução de pontos amostrais da produtividade não influenciou as medidas de
tendência central, de dispersão, nem de forma de distribuição;
• Os mapas de produtividade, gerados pelos métodos da krigagem ordinária, IQD
e inverso da distância (ID), para duas grades amostrais, foram considerados
semelhantes pelos índices Kappa, Tau e CDR;
• A quantidade de pontos amostrais interferiu na construção dos mapas temáticos
gerados. Por meio dos parâmetros da validação cruzada (EM e SEM), os
interpoladores apresentaram melhores resultados para a amostragem mais
densa, principalmente a krigagem;
• A concordância entre os mapas temáticos gerados pelos três interpoladores foi
elevada para a maioria dos atributos;
• No processo de interpolação por krigagem ordinária e ID, a suavização dos
dados foi mais expressiva, propiciando maior concordância entre os mapas em
50% dos atributos;
• Os parâmetros da validação cruzada, utilizados para comparar os métodos de
interpolação, proporcionaram resultados que consideraram a krigagem, em 54%
das comparações e IQD em 38%, como os métodos mais eficientes para
interpolação de dados.
42
7 REFERÊNCIAS
ALVES, M. C.; BOTELHO, S. A.; PINTO, L. V. A.; POZZA, E. A.; OLIVEIRA, M. S.; FERREIRA, E.; ANDRADE, H. Variabilidade espacial de variáveis geobiofísicas nas nascentes da bacia hidrográfica do Ribeirão Santa Cruz. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 12, n. 5, p. 527-535, 2008. AMADO, T. J. C.; PES, L. Z.; LEMAINSKI, C. L.; SCHENATO, R. B. Atributos químicos e físicos de Latossolos e sua relação com os rendimentos de milho e feijão irrigados. Revista Brasileira de Ciência do Solo , v. 33, n.4, p. 831-843, 2009. ANGÉLICO, J. C.; SILVA, I. N. Eficiência da krigagem na estimativa das variáveis físicas e químicas do solo. Energia na Agricultura , v. 21, n. 1, p. 106-117, 2006. ASSUMPÇÃO, R. A. B.; URIBE-OPAZO, M. A.; SOUZA, E. G.; JOHANN, J. A. Uso da krigagem indicatriz na avaliação da probabilidade da produtividade de soja segundo os padrões regional, estadual e nacional. Acta Scientiarum Agronomy , Maringá, v. 29, n. 2, p. 165-171, 2007. BAZZI, C. L.; SOUZA, E. G.; QUEIROZ, F. N.; SANTOS, D. KONOPATZKI, M. R. S. Influência do tipo de interpolador em mapas de resistência a penetração. In: Congresso Brasileiro de Agricultura de Precisão – ConBAP 2010 , Ribeirão Preto-SP, 2010. BAZZI, C. L.; SOUZA, E. G.; URIBE-OPAZO, M. A.; SANTOS, D.; KONOPATZKI, M. R. S. Uso da validação cruzada na seleção de modelos de semivariogramas. In: XXXVIII Congresso Brasileiro de Engenharia Agrícola , Petrolina/Juazeiro. Anais do XXXVIII Congresso Brasileiro De Engenharia Agrícola, v. 1. p. 1-4, 2009. BAZZI, C. L.; SOUZA, E. G.; URIBE-OPAZO, M. A.; NÓBREGA, L. H. P.; PINHEIRO NETO, R. Influência da distância entre passadas de colhedora equipada com monitor de colheita na precisão dos mapas de produtividade na cultura do milho. Engenharia Agrícola , Jaboticabal, v. 28, n. 2, p. 355-363, 2008. CAMBARDELLA, C. A.; MOORMAN, T. B.; NOVAK, J. M.; PARKIN, T. B.; KARLEN, D. L.; TURCO, R. F.; KONOPKA, A. E. Field-scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal , Madison, v. 58, n. 5, p. 1501-1511, 1994. CAVALCANTE, E. G. S.; ALVES, M. C.; SOUZA, Z. M.; PEREIRA, G. T. Variabilidade espacial de atributos químicos do solo sob diferentes usos e manejos. Revista Brasileira de Ciência do Solo , Viçosa, v. 31, n. 6, p. 1329-1339, 2007. CHERUBIN, M. R.; SANTI, A. L.; MORAES, M. T.; AMARAL, A. Demonstração da viabilidade técnica e econômica da utilização de taxa variável em área manejada com agricultura de precisão. Enciclopédia Bioesfera. v. 7, n. 12, p. 1-10, 2011. COELHO, E. C.; SOUZA, E. G.; URIBE-OPAZO, M. A.; PINHEIRO NETO, R. Influência da densidade amostral e do tipo de interpolador na elaboração de mapas temáticos. Acta Scientiarum Agronomy , Maringá, v. 31, n. 1, p. 165-174, 2009. COHEN J. A coefficient of agreement for nominal scales . Educational and Psychological Measurement, p. 37-46, 1960. CONAB - Companhia Nacional de Abastecimento. Acompanhamento de safra brasileira: grãos, décimo primeiro levantamento, agosto 2011. Brasília: Conab, 2011.
43
CONGALTON, R. G.; GREEN, K. A practical look at sources of confusion in error matrix generation. Photogrammetric Engineering And Remote Sensing , Reston, v. 59, n. 5, p.641-644, 1993. CORA, J. E.; ARAUJO, A. V.; PEREIRA, G. T.; BERALDO, J. M. G. Variabilidade espacial de atributos do solo para adoção do sistema de agricultura de precisão na cultura de cana-de-açúcar. Rev. Bras. Ciênc. Solo [online]. v. 28, n. 6, p. 1013-1021, 2004. COSTA, J. M.; OLIVEIRA, E. F. de. Fertilidade do solo e nutrição de plantas: culturas : soja-milho-trigo-algodão-feijão. 2ed. Campo Mourão: COAMO, Cascavel: COODETEC, 2001. 93 p. COUTO, E. G.; SCARAMUZZA, J. F.; MARASCHINI, J. F. Influência dos métodos de interpolação dos dados nos mapas usados na agricultura de precisão. Anais Simpósio Internacional de Agricultura de Precisão , Viçosa, p. 1-5, 2002. CRESSIE, N. A. Statistics for spatial data. New York: John Wiley & Sons, 1993. 900 p. DALPOSSO, G. H.; URIBE-OPAZO, M. A.; MERCANTE, E.; JOHANN, J. A.; BORSSOI, J. A. Comparison measures of maps generated by geostatistical methods. Eng. Agríc. , Jaboticabal, v. 32, n. 1, p. 174-183, 2012. DRUCK, S.; CARVALHO, M. S.; CÂMARA, G.; MONTEIRO, A. V. M. Análise Espacial de Dados Geográficos . Brasília, EMBRAPA, 2004. 209 p. EMBRAPA – EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Centro Nacional de Pesquisas de Solos. Ministério da Agricultura e do Abastecimento. Disponível em: http://www.cnpso.embrapa.br/index.php?cod_pai=2&op_page=25. Acesso em: 14 de Novembro de 2011. EMBRAPA – EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Centro Nacional de Pesquisas de Solos. Ministério da Agricultura e do Abastecimento. Sistema brasileiro de classificação de solos. Brasília: EMBRAPA, 2 ed., 2006. 379 p. FARACO, M. A.; URIBE-OPAZO, M. A.; SILVA, E. A. A.; JOHANN, J. A.; BORSSOI, J. A. Seleção de modelos de variabilidade espacial para elaboração de mapas temáticos de atributos físicos do solo e produtividade da soja. Revista Brasileira de Ciência do Solo , Viçosa, v. 32, n. 2, p. 463-476, 2008. FIGUEIREDO, G. C.; VIEIRA, C. A. O. Estudo do comportamento dos índices de exatidão global, Kappa e Tau, comumente usados para avaliar a classificação de imagens do sensoriamento remoto. In: XII Simpósio Brasileiro de Sensoriamento Remoto , Florianópolis, Anais XII Simpósio Brasileiro de Sensoriamento Remoto, p. 5755-5762, 2007. FOODY, G. M. On the compensation for chance agreement in image classification accuracy assessment. Photogrametric Engineering and Remote Sensing , v. 58, n. 10, p. 1459-1460, 1992. GOOGLE EARTH. Google Earth 6.1. Disponível em: http://earth.google.com.br/ Acesso em: 14 Novembro 2011. Imagem de 03/06/2010. GREGO, R. C.; VIEIRA, S. R. Variabilidade espacial de propriedades físicas do solo em uma parcela experimental. Revista Brasileira de Ciência do Solo , Viçosa, v. 29, n. 2, p.169-177, 2005.
44
HAMLETT, J. M.; HORTON, R.; CRESSIE, N. A. C. Resistant and Exploratory Techniques for Use in Semivariogram Analyses. Soil Science Society of America Journal , Madison, p. 868-875, 1986. ISAAKS, H. E.; SRIVASTAVA, R. M. A introduction to applied geostatistics. Oxford: Oxford University Press, 1989. 560 p. JONES, T. A. Skewness and kurtosis as criteria of normality i observed frequency distributions. Journal Sedimentar Petrology , Colorado, p.1622-1627, 1969. JUNQUEIRA JÚNIOR, J. A.; SILVA, A. M.; MELLO, C. R.; PINTO, D. B. F. Continuidade espacial de atributos físico-hídricos do solo em sub-bacia hidrográfica de cabeceira. Ciência e Agrotecnologia , v.32, n.3, p.914-922, 2008. LANDIM, P. M. B. Análise estatística de dados geológicos. Editora UNESP, São Paulo, 1998. 226 p. LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics , Arlington, v. 33, n. 1, p. 159-174, 1977. LIMA, J. S. S.; SOUZA, G. S.; SILVA, S. A. Amostragem e variabilidade espacial de atributos químicos do solo em área de vegetação natural em regeneração. Revista Árvore , Viçosa-MG, v. 34, n. 1, p. 127-136, 2010. LOPES, A. S. Manual internacional de fertilidade do solo. Piracicaba: Associação Brasileira para Pesquisa da Potassa e do Fosfato, 1995. 177p. LUCHESE, E. B. Fundamentos da química do solo. Rio de Janeiro: Freitas Bastos, 2001. 182 p. MA, Z.; REDMOND, R. L. Tau coefficient for accuracy assessment of classification of remote sensing data. Photogrametric Engineering and Remote Sensing , Reston, v. 61, n. 4, p. 435-439, 1995. MATHERON, G. Principles of geostatistics. Economic Geology , Littleton, v. 58, p. 1246-1266, 1963. MAZZINI, P. L. F.; SCHETTINI, C. A. F. Avaliação de metodologias de interpolação espacial aplicadas a dados hidrográficos costeiros quase-sinópticos. Braz. J. Aquat. Sci. Technol . v. 13 n. 1, p. 53-64. 2009. MIRANDA, J. I. Fundamentos de Sistemas de Informações Geográficas. Brasília: Embrapa, 2005. 430 p. MOLIN, J. P. Geração e interpretação de mapas de produtividade p ara a agricultura de precisão. In: BORÉM, A. et al. Agricultura de precisão. Viçosa: UFV, 2000. p. 237-257. MOLIN, J. P. Agricultura de Precisão. O gerenciamento da variabi lidade. Piracicaba, 2008. 83 p. MOLIN, J. P.; RABELLO L. M. Estudos sobre a mensuração da condutividade elétrica do solo. Revista Engenharia Agrícola , Jaboticabal, v.31, n.1, p. 90-101, jan./fev. 2011. MOOLMAN, J. H., HUYSSTEEN, L. V. A geostatistical analysis of the penetrometer soil strength of a deep ploughed soil. Soil Til. Res. v. 15, p. 11-24, 1989.
45
PIMENTEL, F. G.; GARCIA, G. H. Estatística Aplicada a Experimentos Agronômicos e Florestais. Piracicaba: Biblioteca de Ciências Agrárias Luiz de Queiroz, 2002. 307 p. PONZONI, F. J.; REZENDE, A. C. P. Influência da resolução espacial de imagens orbitais na identificação de elementos das paisagem em Altamira-Pa. R. Árvore, Viçosa, v. 26, n. 4, p. 403-410, 2002. ROCHA, M. M.; LOURENCO, D. A.; LEITE, C. B. B. Aplicação de krigagem com correção do efeito de suavização em dados de potenciometria da cidade de Pereira Barreto - SP. Geol. USP, Sér. cient. , São Paulo, v. 7, n. 2, p. 37-48, 2007. SANO, E. E.; SANTOS, E. M.; MENESES, P. R. Análise de imagens do satélite alôs palsar para o mapeamento de uso e cobertura da terra do distrito federal. Geociências, São Paulo, v. 28, n. 4, p. 441-451, 2009. SANTOS, P. C.; SANTANA, A. C.; BARROS, P. L. C. QUEIROZ, J. C. B.; VIEIRA, T. O. O emprego da geoestatística na determinação do tamanho "ótimo" de amostras aleatórias com vistas à obtenção de estimativas dos volumes dos fustes de espécies florestais em Paragominas, estado do Pará. Acta Amaz. , v. 41, n. 2, p. 213-222, 2011. SILVA, P. C. M. da; CHAVES, L. H. G. Avaliação e variabilidade espacial de fósforo, potássio e matéria orgânica em Alissolos. Rev. bras. eng. agríc. ambient. , v. 5, n. 3, p. 431-436, 2001. SILVA, S. A.; SOUZA LIMA, J. S.; SOUZA, G. S.; OLIVEIRA, R. B. Avaliação de interpoladores estatísticos e determinísticos na estimativa de atributos do solo em agricultura de precisão. Idesia , Arica, v. 26, n. 2, p. 75-81, 2008. SILVA, S. A.; LIMA, J. S. S.; XAVIER, A. C. TEIXEIRA, M. M. Variabilidade espacial de atributos químicos de um Latossolo Vermelho-Amarelo húmico cultivado com café. Revista Brasileira de Ciência do Solo , v. 34, n. 1, p. 15-22, 2010. SOUZA, E. G.; JOHANN, J. A.; ROCHA, J. V; RIBEIRO, S. R. A.; SILVA, M. S.; URIBE-OPAZO, M. A.; MOLIN, J. P.; OLIVEIRA, E. F.; NÓBREGA, L. H. P. Variabilidade espacial dos atributos químicos do solo em um Latossolo roxo Distrófico da região de Cascavel – Pr. Revista da Sociedade Brasileira de Engenharia Agríc ola . Jaboticabal-SP, v. 18, n. 3, p. 80-92, 1999. SOUZA, E. G.; BAZZI, C. L.; URIBE-OPAZO, M. A. Thematic and profitability maps for precision agriculture. In: 10th International Conference on Precision Agri culture. Denver, Proceedings of the 10th International Conference on Precision Agriculture, v. 1, 2010. SOUZA, G. S. ; LIMA, J. S. S.; XAVIER, A. C.; ROCHA, W. S. D. Krigagem ordinária e inverso do quadrado da distância aplicados na espacialização de atributos químicos de um argissolo. Scientia Agraria. Curitiba, v. 11, n. 1, p.073-081, 2010. TIEPPO, R. C.; SOUZA, E. G.; URIBE-OPAZO, M. A.; SILVEIRA, J. C. M. Avaliação de diferentes interpoladores na geração de mapas temáticos da produtividade de soja em agricultura de precisão. In: IV Simpósio internacional de agricultura de pre cisão , Viçosa, Anais do IV Simpósio internacional de agricultura de precisão, p. 1-4, 2007 VIEIRA, S. R. Geoestatística aplicada à agricultura de precisão. Curitiba: Sagres, 1998. 53 p.
46
YASREBI, J.; SAFFARI, M; FATHI, H.; KARIMIAN, N.; EMADI, M.; BAGHERNEJAD, M. Spatial variability of soil fertility properties for precision agriculture in Southern Iran. Journal Of Applied Sciences , Jordan, v. 8, n. 9, p. 1642-1650, 2008. ZIMBACK, C. R. L. Geoestatística. Botucatu: UNESP, 2003. 25 p.
47
ANEXOS
48
ANEXO A: Matrizes de erros para avaliação de mapas temáticos gerados por diferentes grades amostrais. Matriz de erros de diferentes densidades amostrais da produtividade da soja (PA55 e PA130) usando o interpolador inverso do quadrado da distância (IQD)
Mapa padrão IQD - Produtividade PA55
C1 C2 C3 C4 C5 Total
C1 43 77 1 0 0 121
Mapa C2 20 1364 701 21 3 2109
IQD C3 7 332 6450 272 9 7070
PA130 C4 0 0 214 168 1 383
C5 0 0 0 9 8 17
Total 70 1773 7366 470 21 8033 Número de pontos: 55 (PA55) e 130 (PA130). Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros de diferentes densidades amostrais da produtividade da soja (PA55 e PA130) usando o interpolador inverso da distância (ID)
Mapa padrão ID - Produtividade PA55 C1 C2 C3 C4 C5 Total
C1 6 38 0 0 0 44
Mapa C2 2 1228 241 2 0 1473
ID C3 0 137 6796 700 3 7636
PA130 C4 0 0 207 307 0 514
C5 0 0 7 24 2 33
Total 8 1403 7251 1033 5 8339 Número de pontos: 55 (PA55) e 130 (PA130). Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros de diferentes densidades amostrais da produtividade da soja (PA55 e PA130) usando o interpolador krigagem ordinária
Mapa padrão krigagem - Produtividade PA55
C1 C2 C3 C4 C5 Total
C1 974 422 0 0 0 1396
Mapa C2 67 1813 729 0 0 2609
krigagem C3 0 585 2099 1118 0 3802
PA130 C4 0 0 536 1301 0 1837
C5 0 0 11 21 24 56
Total 1041 2820 3375 2440 24 6211 Número de pontos: 55 (PA55) e 130 (PA130). Classes de reclassificação: C1, C2, C3, C4 e C5.
49
ANEXO B : Matrizes de erros para avaliação de mapas temáticos gerados por diferentes interpoladores. Matriz de erros para 55 pontos amostrais de produtividade da soja (PA55), entre o interpolador krigagem ordinária e o inverso do quadrado da distância (IQD) Mapa padrão krigagem – Produtividade PA55
C1 C2 C3 C4 C5 Total
Mapa
IQD
PA55
C1 0 294 8 0 0 302
C2 0 2942 380 0 0 3322
C3 0 628 5202 0 0 5830
C4 0 3 189 40 0 232
C5 0 0 14 0 0 14
Total 0 3867 5793 40 0 8184 PA55: 55 pontos amostrais de produtividade. Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros para 55 pontos amostrais de produtividade da soja (PA55), entre o interpolador krigagem ordinária e o inverso da distância (ID)
Mapa padrão krigagem – Produtividade PA55
C1 C2 C3 C4 C5 Total
Mapa
ID
PA55
C1 0 22 0 0 0 22
C2 0 2713 83 0 0 2796
C3 0 1132 5698 0 0 6830
C4 0 0 12 40 0 52
C5 0 0 0 0 0 0
Total 0 3867 5793 40 0 8451 PA55: 55 pontos amostrais de produtividade. Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros para 55 pontos amostrais de produtividade da soja (PA55), entre o interpolador IQD e ID
Mapa padrão IQD - Produtividade PA55
C1 C2 C3 C4 C5 Total
Mapa
ID
PA55
C1 22 0 0 0 0 22
C2 280 2371 145 0 0 2796
C3 0 951 5685 185 9 6830
C4 0 0 0 47 5 52
C5 0 0 0 0 0 0
Total 302 3322 5830 232 14 8125 PA55: 55 pontos amostrais de produtividade. Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros para 130 pontos amostrais de produtividade da soja (PA130), entre o interpolador krigagem ordinária e o inverso do quadrado da distância (IQD)
Mapa padrão Krigagem - Produtividade PA130
C1 C2 C3 C4 C5 Total
C1 0 63 5 0 0 68
Mapa C2 0 1345 312 0 0 1657
IQD C3 0 848 6546 8 0 7402
PA130 C4 0 9 514 27 0 550
C5 0 0 23 0 0 23
Total 0 2265 7400 35 0 7918 PA130: 130 pontos amostrais de produtividade. Classes de reclassificação: C1, C2, C3, C4 e C5.
50
Matriz de erros para 130 pontos amostrais de produtividade da soja (PA130), entre o interpolador krigagem ordinária e o inverso da distância (ID)
Mapa padrão krigagem - Produtividade PA130
C1 C2 C3 C4 C5 Total
C1 0 0 0 0 0 0
Mapa C2 0 872 7 0 0 879
ID C3 0 1393 7367 8 0 8768
PA130 C4 0 0 26 27 0 53
C5 0 0 0 0 0 0
Total 0 2265 7400 35 0 8266 PA130: 130 pontos amostrais de produtividade. Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros para 130 pontos amostrais de produtividade da soja (PA130), entre o interpolador IQD e ID
Mapa padrão IQD - Produtividade PA130
C1 C2 C3 C4 C5 Total
C1 0 0 0 0 0 0
Mapa C2 65 759 55 0 0 879
ID C3 3 898 7347 508 12 8768
PA130 C4 0 0 0 42 11 53
C5 0 0 0 0 0 0
Total 68 1657 7402 550 23 8148 PA130: 130 pontos amostrais de produtividade. Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Cu, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - Cu
C1 C2 C3 C4 C5 Total
C1 2161 93 0 0 0 2254
C2 447 2547 27 0 0 3021
Mapa C3 0 899 1817 103 0 2819
IQD C4 0 0 640 828 73 1541
C5 0 0 0 19 46 65
Total 2608 3539 2484 950 119 7399 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Cu, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - Cu
C1 C2 C3 C4 C5 Total
C1 1522 46 0 0 0 1568
C2 1086 2425 15 0 0 3526
Mapa C3 0 1068 2068 483 0 3619
ID C4 0 0 401 467 118 986
C5 0 0 0 0 1 1
Total 2608 3539 2484 950 119 6483 Classes de reclassificação: C1, C2, C3, C4 e C5.
51
Matriz de erros do atributo Cu, usando os interpoladores IQD e ID Mapa padrão IQD - Cu
C1 C2 C3 C4 C5 Total
C1 1568 0 0 0 0 1568
C2 686 2815 25 0 0 3526
Mapa C3 0 206 2728 682 3 3619
ID C4 0 0 66 859 61 986
C5 0 0 0 0 1 1
Total 2254 3021 2819 1541 65 7971 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Fe, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - Fe
C1 C2 C3 C4 C5 Total
C1 0 104 89 0 0 193
C2 0 1843 1372 0 0 3215
Mapa C3 0 412 5462 0 0 5874
IQD C4 0 35 342 0 0 377
C5 0 0 41 0 0 41
Total 0 2394 7306 0 0 7305 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Fe, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - Fe
C1 C2 C3 C4 C5 Total
C1 0 5 4 0 0 9
C2 0 2042 461 0 0 2503
Mapa C3 0 346 6811 0 0 7157
ID C4 0 1 28 0 0 29
C5 0 0 2 0 0 2
Total 0 2394 7306 0 0 8853 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Fe, usando os interpoladores IQD e ID Mapa padrão IQD - Fe
C1 C2 C3 C4 C5 Total
C1 9 0 0 0 0 9
C2 184 2203 116 0 0 2503
Mapa C3 0 1012 5758 370 17 7157
ID C4 0 0 0 7 22 29
C5 0 0 0 0 2 2
Total 193 3215 5874 377 41 7979 Classes de reclassificação: C1, C2, C3, C4 e C5.
52
Matriz de erros do atributo Mn, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - Mn
C1 C2 C3 C4 C5 Total
C1 0 188 4 0 0 192
C2 0 4345 212 0 0 4557
Mapa C3 0 864 3818 0 0 4682
IQD C4 0 4 224 0 0 228
C5 0 0 41 0 0 41
Total 0 5401 4299 0 0 8163 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Mn, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - Mn
C1 C2 C3 C4 C5 Total
C1 0 6 0 0 0 6
C2 0 5114 326 0 0 5440
Mapa C3 0 281 3951 0 0 4232
ID C4 0 0 20 0 0 20
C5 0 0 2 0 0 2
Total 0 5401 4299 0 0 9065 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Mn, usando os interpoladores IQD e ID Mapa padrão IQD - Mn
C1 C2 C3 C4 C5 Total
C1 6 0 0 0 0 6
C2 186 4397 857 0 0 5440
Mapa C3 0 160 3825 228 19 4232
ID C4 0 0 0 0 20 20
C5 0 0 0 0 2 2
Total 192 4557 4682 228 41 8230 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo P, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - P
C1 C2 C3 C4 C5 Total
C1 1355 559 0 0 0 1914
C2 1247 4439 0 0 0 5686
Mapa C3 457 1402 19 0 0 1878
IQD C4 0 133 0 0 0 133
C5 0 89 0 0 0 89
Total 3059 6622 19 0 0 5813 Classes de reclassificação: C1, C2, C3, C4 e C5.
53
Matriz de erros do atributo P, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - P
C1 C2 C3 C4 C5 Total
C1 1376 232 0 0 0 1608
C2 1238 5166 0 0 0 6404
Mapa C3 445 1114 19 0 0 1578
ID C4 0 46 0 0 0 46
C5 0 64 0 0 0 64
Total 3059 6622 19 0 0 6561 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo P, usando os interpoladores IQD e ID Mapa padrão IQD - P
C1 C2 C3 C4 C5 Total
C1 1293 315 0 0 0 1608
C2 621 5359 412 12 0 6404
Mapa C3 0 12 1461 89 16 1578
ID C4 0 0 5 32 9 46
C5 0 0 0 0 64 64
Total 1914 5686 1878 133 89 8209 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo C, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - C
C1 C2 C3 C4 C5 Total
C1 0 20 24 0 0 44
C2 0 1922 438 0 0 2360
Mapa C3 0 431 4519 570 0 5520
IQD C4 0 12 385 1265 0 1662
C5 0 0 76 38 0 114
Total 0 2385 5442 1873 0 7706 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo C, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - C
C1 C2 C3 C4 C5 Total
C1 0 0 0 0 0 0
C2 0 1091 72 0 0 1163
Mapa C3 0 1293 5322 1137 0 7752
ID C4 0 1 46 735 0 782
C5 0 0 2 1 0 3
Total 0 2385 5442 1873 0 7148 Classes de reclassificação: C1, C2, C3, C4 e C5.
54
Matriz de erros do atributo C, usando os interpoladores IQD e ID Mapa padrão IQD - C
C1 C2 C3 C4 C5 Total
C1 0 0 0 0 0 0
C2 34 1127 2 0 0 1163
Mapa C3 10 1233 5497 976 36 7752
ID C4 0 0 21 686 75 782
C5 0 0 0 0 3 3
Total 44 2360 5520 1662 114 7313 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo pH, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - pH
C1 C2 C3 C4 C5 Total
C1 0 39 1 0 0 40
C2 0 1363 190 0 0 1553
Mapa C3 0 1221 3623 790 205 5839
IQD C4 0 0 257 1201 501 1959
C5 0 0 3 158 148 309
Total 0 2623 4074 2149 854 6335 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo pH, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - pH
C1 C2 C3 C4 C5 Total
C1 0 2 0 0 0 2
C2 0 748 39 0 0 787
Mapa C3 0 1873 3996 1367 283 7519
ID C4 0 0 39 686 444 1169
C5 0 0 0 96 127 223
Total 0 2623 4074 2149 854 5557 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo pH, usando os interpoladores IQD e ID Mapa padrão IQD - pH
C1 C2 C3 C4 C5 Total
C1 2 0 0 0 0 2
C2 38 685 64 0 0 787
Mapa C3 0 868 5775 871 5 7519
ID C4 0 0 0 1088 81 1169
C5 0 0 0 0 223 223
Total 40 1553 5839 1959 309 7773 Classes de reclassificação: C1, C2, C3, C4 e C5.
55
Matriz de erros do atributo H+Al, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem – H+Al
C1 C2 C3 C4 C5 Total
C1 2424 376 23 0 0 2823
C2 20 2526 506 0 0 3052
Mapa C3 0 255 3165 0 0 3420
IQD C4 0 6 309 61 0 376
C5 0 0 23 3 3 29
Total 2444 3163 4026 64 3 8179 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo H+Al, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem – H+Al
C1 C2 C3 C4 C5 Total
C1 2428 147 2 0 0 2577
C2 16 2849 301 0 0 3166
Mapa C3 0 167 3579 0 0 3746
ID C4 0 0 142 63 0 205
C5 0 0 2 1 3 6
Total 2444 3163 4026 64 3 8922 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo H+Al, usando os interpoladores IQD e ID Mapa padrão IQD - HAl3
C1 C2 C3 C4 C5 Total
C1 2573 4 0 0 0 2577
C2 250 2815 101 0 0 3166
Mapa C3 0 233 3319 194 0 3746
ID C4 0 0 0 182 23 205
C5 0 0 0 0 6 6
Total 2823 3052 3420 376 29 8895 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Ca, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - Ca
C1 C2 C3 C4 C5 Total
C1 7 0 39 0 0 46
C2 0 322 1652 0 0 1974
Mapa C3 0 0 6380 4 0 6384
IQD C4 0 0 1002 237 0 1239
C5 0 0 57 0 0 57
Total 7 322 9130 241 0 6946 Classes de reclassificação: C1, C2, C3, C4 e C5.
56
Matriz de erros do atributo Ca, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - Ca
C1 C2 C3 C4 C5 Total
C1 7 0 1 0 0 8
C2 0 320 186 0 0 506
Mapa C3 0 2 8875 21 0 8898
ID C4 0 0 66 220 0 286
C5 0 0 2 0 0 2
Total 7 322 9130 241 0 9422 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Ca, usando os interpoladores IQD e ID Mapa padrão IQD - Ca
C1 C2 C3 C4 C5 Total
C1 8 0 0 0 0 8
C2 38 468 0 0 0 506
Mapa C3 0 1506 6383 993 16 8898
ID C4 0 0 1 246 39 286
C5 0 0 0 0 2 2
Total 46 1974 6384 1239 57 7107 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Mg, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - Mg
C1 C2 C3 C4 C5 Total
C1 645 536 3 0 0 1184
C2 453 5176 197 170 0 5996
Mapa C3 0 146 1340 294 0 1780
IQD C4 0 0 149 431 24 604
C5 0 0 1 65 70 136
Total 1098 5858 1690 960 94 7662 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo Mg, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - Mg
C1 C2 C3 C4 C5 Total
C1 420 243 0 0 0 663
C2 678 5601 454 170 0 6903
Mapa C3 0 14 1145 617 0 1776
ID C4 0 0 91 171 24 286
C5 0 0 0 2 70 72
Total 1098 5858 1690 960 94 7407 Classes de reclassificação: C1, C2, C3, C4 e C5.
57
Matriz de erros do atributo Mg, usando os interpoladores IQD e ID Mapa padrão IQD - Mg
C1 C2 C3 C4 C5 Total
C1 646 17 0 0 0 663
C2 538 5965 400 0 0 6903
Mapa C3 0 14 1379 345 38 1776
ID C4 0 0 1 259 26 286
C5 0 0 0 0 72 72
Total 1184 5996 1780 604 136 8321 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo K, usando os interpoladores krigagem ordinária e IQD Mapa padrão Krigagem - K
C1 C2 C3 C4 C5 Total
C1 0 193 8 0 0 201
C2 0 4918 1813 0 0 6731
Mapa C3 0 453 2064 0 0 2517
IQD C4 0 25 174 0 0 199
C5 0 0 52 0 0 52
Total 0 5589 4111 0 0 6982 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo K, usando os interpoladores krigagem ordinária e ID Mapa padrão Krigagem - K
C1 C2 C3 C4 C5 Total
C1 0 5 0 0 0 5
C2 0 5512 2659 0 0 8171
Mapa C3 0 71 1423 0 0 1494
ID C4 0 1 27 0 0 28
C5 0 0 2 0 0 2
Total 0 5589 4111 0 0 6935 Classes de reclassificação: C1, C2, C3, C4 e C5.
Matriz de erros do atributo K, usando os interpoladores IQD e ID Mapa padrão IQD - K
C1 C2 C3 C4 C5 Total
C1 5 0 0 0 0 5
C2 196 6692 1283 0 0 8171
Mapa C3 0 39 1234 194 27 1494
ID C4 0 0 0 5 23 28
C5 0 0 0 0 2 2
Total 201 6731 2517 199 52 7938 Classes de reclassificação: C1, C2, C3, C4 e C5.