RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE ... · a aplicação da Geoestatística em...
37
1 UNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO POLITÉCNICO DA UFSM TECNOLOGIA EM GEOPROCESSAMENTO RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE SEMIVARIOGRAMAS RELATÓRIO DE ESTÁGIO Enio Júnior Seidel Santa Maria, RS, Brasil 2017
Transcript of RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE ... · a aplicação da Geoestatística em...
1
UNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO POLITÉCNICO DA UFSM
TECNOLOGIA EM GEOPROCESSAMENTO
RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE SEMIVARIOGRAMAS
RELATÓRIO DE ESTÁGIO
Enio Júnior Seidel
Santa Maria, RS, Brasil 2017
2
RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE SEMIVARIOGRAMAS
Relatório de Estágio apresentado ao Curso Tecnologia em Geoprocessamento do Colégio Politécnico da UFSM, como requisito parcial para obtenção do título de
Tecnólogo em Geoprocessamento.
Enio Júnior Seidel
Orientador: Prof. Dr. Elódio Sebem
Santa Maria, RS, Brasil 2017
3
Universidade Federal de Santa Maria Colégio Politécnico da UFSM
Tecnologia em Geoprocessamento
A Comissão Examinadora, abaixo assinada, aprova o Relatório de Estágio na Área de Geoprocessamento
RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE SEMIVARIOGRAMAS
elaborado por Enio Júnior Seidel
como requisito para obtenção do título de Tecnólogo em Geoprocessamento
COMISSÃO ORGANIZADORA:
Elódio Sebem, Dr. (Presidente/Orientador)
Diogo Belmonte Lippert, Dr. (UFSM)
Angela Pellegrin Ansuj, Drª. (UFSM)
Santa Maria, 04 de Julho de 2017.
4
Universidade Federal de Santa Maria Colégio Politécnico da UFSM
Tecnologia em Geoprocessamento
RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE SEMIVARIOGRAMAS
Relatório de Estágio realizado no Departamento de Estatística – UFSM
elaborado por Enio Júnior Seidel
Prof. Dr. Elódio Sebem (Presidente/Orientador)
Profª. Drª. Angela Pellegrin Ansuj (Supervisor)
Enio Júnior Seidel (Estagiário)
Santa Maria, 04 de Julho de 2017.
5
RESUMO
Relatório de Estágio Colégio Politécnico da UFSM
Universidade Federal de Santa Maria
RELAÇÕES ENTRE FATORES INFLUENTES DA ANÁLISE DE SEMIVARIOGRAMAS
AUTOR: ENIO JÚNIOR SEIDEL ORIENTADOR: PROF. Dr. Elódio Sebem
Santa Maria, 04 de Julho de 2017.
Foi realizado Estágio Supervisionado, de 400 horas, no departamento de Estatística da
Universidade Federal de Santa Maria (UFSM), no município de Santa Maria – RS, com o objetivo
realizar um levantamento de informações sobre os parâmetros geoestatísticos em periódicos
da área de Ciências Agrárias, para compor um banco de dados e investigar possíveis aspectos
que levem a proposição de melhorias nos métodos de amostragem para um melhor
mapeamento da variabilidade espacial. Este relatório apresenta as atividades realizadas e os
resultados obtidos durante o desenvolvimento do estágio. As atividades foram fundamentais para o
amadurecimento e o entendimento da atuação profissional, sendo que foi possível executar as
tarefas com êxito e obter resultados interessantes para a área de investigação da variabilidade
espacial. Destaca-se que a leitura dos artigos, a definição dos principais aspectos relacionados
a aplicação da Geoestatística em atributos de Solo, a confecção de banco de dados e a
investigação das relações entre fatores influentes da análise de semivariogramas permite
observar que a dependência espacial é variável conforme variam os diferentes fatores de
campo.
Palavras-chave: Geoprocessamento. Geoestatística. Análise de semivariogramas. Atributos
de solo.
6
SUMÁRIO
1 IDENTIFICAÇÃO E OBJETIVOS...................................................................................7
1.1 Identificação..................................................................................................................7
1.2 O Departamento de Estatística......................................................................................7
1.3 OBJETIVOS................................................................................................................8
1.3.1 Objetivo Geral...............................................................................................................8
1.3.2 Objetivos Específicos....................................................................................................8
1.4 JUSTIFICATIVA........................................................................................................8
2 REVISÃO DE LITERATURA...........................................................................................9
2.1 Geoestatística.................................................................................................................9
2.2 Análise de semivariogramas........................................................................................12
3 DESENVOLVIMENTO DO ESTÁGIO E RESULTADOS...........................................16
3.1 Métodos aplicados..............................................................................................................16
3.2 Resultados obtidos.............................................................................................................24
4 CONCLUSÃO.....................................................................................................................34
5 CONSIDERAÇÕES FINAIS.............................................................................................35
REFERÊNCIAS......................................................................................................................35
7
1 IDENTIFICAÇÃO E OBJETIVOS
1.1 Identificação
Área: Geoestatística/Ciência do Solo
Título: Relações entre fatores influentes da análise de semivariogramas
Coordenação:
Profª. Drª. Angela Pellegrin Ansuj - Universidade Federal de Santa
Maria/Departamento de Estatística.
Palavras-chave:
� Geoprocessamento,
� Geoestatística,
� Análise de semivariogramas
� Atributos de solo
Executores:
Enio Júnior Seidel, Acadêmico do Curso Superior de Tecnologia em
Geoprocessamento, UFSM.
Angela Pellegrin Ansuj, Professora do Departamento de Estatística da UFSM.
Elódio Sebem, Professor do Colégio Politécnico da UFSM.
1.2 O Departamento de Estatística
Chefe do Departamento: Profª. Drª. Angela Pellegrin Ansuj
O Departamento de Estatística do Centro de Ciências Naturais e Exatas da
Universidade Federal de Santa Maria desenvolve atividades de ensino, pesquisa e extensão
que abrangem quase a totalidade dos cursos de graduação e pós-graduação, que possuem
disciplinas de Estatística em sua grade curricular, existentes na UFSM. Além disso, o
Departamento mantém atualmente um curso específico de graduação - Bacharelado em
8
Estatística - noturno, com duração de cinco (05) anos, e um curso de Pós-Graduação em nível
de Especialização - Estatística e Modelagem Quantitativa - diurno.
O Departamento possui 18 professores efetivos que desenvolvem interações com
diversas áreas, dentre essas a área de Ciências Rurais. Desse modo, o departamento
disponibiliza atividades de ensino, pesquisa e extensão em temas de Estatística aplicada em
Ciências Rurais.
Desta maneira, o Departamento de Estatística, possibilitou a realização do estágio em
estudo de aspectos da aplicação da Geoestatística em Ciências Rurais, especificamente em
atributos de solo.
1.3 Objetivos
1.3.1 Objetivo Geral
O objetivo do estágio foi realizar um levantamento de informações sobre os
parâmetros geoestatísticos em periódicos da área de Ciências Agrárias, para compor um banco
de dados e investigar possíveis aspectos que levem a proposição de melhorias nos métodos de
amostragem para um melhor mapeamento da variabilidade espacial.
1.3.2 Objetivos Específicos
• Definir os fatores de campo relevantes e relacionados à análise geoestatística em atributos de
solo.
• Confeccionar um banco de dados composto por fatores de campo e estimativas de
parâmetros geoestatísticos.
• Analisar as relações entre os fatores de campo e as estimativas geoestatísticas.
1.4 Justificativa
Muitos aspectos da análise de semivariogramas ainda necessitam ser melhor estudados
como, por exemplo, questões relacionadas ao tamanho de amostra, geometria de amostragem,
distância entre pontos na malha de amostragem, distâncias máximas de estimação do
semivariograma, etc.
9
Neste sentido, uma das possíveis abordagens a se utilizar é confeccionar bases de
dados a partir de resultados práticos já apresentados na literatura para gerar propostas de
melhoria nos aspectos geoestatísticos com base em dados práticos.
A área de Geoprocessamento tem fundamental importância nestas questões de
mapeamento de atributos de solo, destacando sua distribuição espacial. Pelo fato de que a
Geoestatística, como uma metodologia de SIG, fornece técnicas de mapeamento de atributos a
partir do comportamento das correlações espaciais de tais atributos, realizar o estágio
integrando técnicas de Geoestatística e Estatística permite uma melhor avaliação dos fatores
influentes na aplicação de metodologias geoestatísticas.
2 REVISÃO DE LITERATURA
2.1 Geoestatística
Compreender a distribuição espacial de dados oriundos de fenômenos ocorridos no
espaço é um desafio para a pesquisa em várias áreas do conhecimento como em saúde,
ambiente, geologia, agronomia, entre outras (Druck et al., 2004). E, neste sentido, o
Geoprocessamento pode fornecer ferramentas fundamentais e adequadas para vencer tais
desafios de pesquisa.
No que tange aos métodos de pesquisa em Geoprocessamento é possível destacar as
abordagens de análise espacial, com ênfase nas técnicas de Geoestatística.
A abordagem da análise espacial é medir propriedades e relacionamentos, levando em
consideração a localização espacial do fenômeno de forma explicita, ou seja, a intenção é
incorporar o espaço à análise que será realizada (Druck et al., 2004).
O objetivo da Geoestatística é a caracterização espacial de uma variável por meio da
avaliação de sua distribuição e variabilidade espaciais, com determinação das incertezas
associadas (Yamamoto e Landim, 2013).
A Geoestatística nasceu da necessidade de modelar recursos geológicos (concentração
de metais em jazidas minerais e qualidade de águas subterrâneas), e atualmente, os métodos
geoestatísticos são aplicados em diversos temas das Ciências da Terra e do ambiente (Soares,
2006).
10
Pode-se dizer que um conceito que inspira a utilização da Geoestatística é a Primeira
Lei da Geografia, apresentada por Tobler (1969 citado por Louzada, 2011, p. 24), que diz que
“coisas mais próximas se parecem mais que coisas mais distantes”. De acordo com Seidel
(2013), isso significa que os atributos variam no decorrer do espaço, de modo que em locais
próximos as características são similares, e conforme as distâncias aumentam, as
características tendem a se tornarem menos semelhantes.
Ao se considerar dados dependendo das localizações ou distâncias, se está
considerando que existe dependência espacial. Segundo Olea (2006), a diferença fundamental
entre Geoestatística e Estatística Clássica é que na primeira se supõe a existência de
autocorrelação espacial. A ocorrência de autocorrelação espacial nos atributos em estudo se
deve pelo fato de que, no campo, os fenômenos se distribuem de forma contínua em um
determinado espaço. A figura 1 mostra um exemplo de uma malha de amostragem, indicando
a forma de indexação da variável no espaço, e um mapa de interpolação, indicando a forma de
distribuição contínua da variável no espaço.
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
x
y
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
X Coord
Y C
oord
-3
-2
-1
0
1
2
*Simulação realizada no pacote geoR (Ribeiro Jr e Diggle, 2001) do software R (R Core Team, 2017). Figura 1 – Exemplos de malha de amostragem e de distribuição espacial de uma
variável em uma área.
As técnicas geoestatísticas quantificam a continuidade espacial das variáveis, em
modelos de interpolação tendo por base a sua variabilidade espacial e em modelos de
simulação estocástica que quantificam a incerteza ligada ao fenômeno espacial (Soares,
2006).
11
Segundo Journel e Huijbregts (2003) e Soares (2006), os fenômenos espaciais
possuem duas características importantes:
a) um aspecto estrutural, relacionado com uma representação funcional;
b) um aspecto estocástico, relacionado com a noção de variável aleatória.
Essas duas características fazem com que a variável dependa de uma componente de
efeito fixo, que pode ser modelada por uma função matemática e dependa de uma componente
aleatória que expressa a variabilidade espacial (Seidel, 2013).
Em essência, uma variável estudada levando em conta o aspecto espacial (indexada
em determinadas localizações) pode ser entendida como sendo um processo estocástico, isto
é, o processo estocástico, é indexado pelas coordenadas do local (Seidel, 2013).
Para Schabenberger e Gotway (2005), de forma geral, os modelos estatísticos são uma
decomposição da variável resposta em uma estrutura matemática descrevendo a média e em
uma estrutura estocástica adicional que descreve a variação e a covariação entre as respostas.
Assim, tem-se a representação do processo estocástico dada por:
'')(')()( εεµ ++= sssZ (1)
em que: )(sµ é a componente determinística, )(' sε é a componente regionalizada do
processo estocástico, e ''ε é a componente aleatória.
A modelagem pelos processos estocásticos pode ser dita como uma Geoestatística
Geral. Como o processo estocástico apresenta, em geral, apenas uma única realização no
espaço, são necessárias algumas hipóteses de estacionariedade para que a modelagem da
variável possa ser realizada.
As hipóteses tiram a teorização de uma abordagem geral, e introduzem uma
abordagem de Geoestatística Estacionária, em que podem ser consideradas duas hipóteses de
estacionariedade: a hipótese de estacionariedade de segunda ordem, que é uma hipótese mais
restirtiva; e a hipótese intrínseca, que é uma hipótese menos restritiva (Seidel, 2013).
A estacionariedade de segunda ordem existe se a média e a variância do processo
estocástico são independentes da localização e a covariância existe e depende de direções e de
12
distâncias entre pontos no espaço. Caso ocorra isotropia no processo estocástico, a
covariância dependerá apenas das distâncias. Matematicamente, tem-se:
2,)()]([ RsssZE ∈∀== µµ
222 ,)()]([ RsssZVar ∈∀== σσ
2,),()()](),([ RsshfssfsZsZCov jijiji ∈∀=−=
Nesta abordagem é possível utilizar a covariância, a correlação ou a semivariância
para modelar a variabilidade espacial do fenômeno em estudo.
Outra possibilidade é considerar a hipótese intrínseca. Nesta hipótese introduz-se o
conceito de incremento. O incremento é um processo estocástico definido pela diferença:
)()( hsZsZIncremento +−= (2)
em que: Z(s) é a variável na localização s, Z(s+h) é a variável na localização s+h e h é
a distância entre estas duas localizações.
A ideia intuitiva da utilização do incremento é a comparação entre as variáveis Z(s) e
Z(s+h), ou seja, avaliar o relacionamento entre as variáveis separadas pela distância h (Seidel,
2013). A média e a semivariância do incremento são dadas, respectivamente, por:
2,,0)]()([ RhsshsZsZE ∈+∀=+−
2,),()]()([2
1RhsshhsZsZVar ∈+∀=+− γ
A hipótese intrínseca é a mais utilizada para a modelagem da variabilidade espacial e é
aplicada por meio do uso da semivariância.
2.2 Análise de semivariogramas
Quando se relacionam as semivariâncias com as distâncias em um gráfico, se tem a
construção do semivariograma. A figura 2 mostra um exemplo de um semivariograma teórico
genérico.
13
*Adaptado de Seidel (2013). Figura 2 – Exemplo de semivariograma.
O semivariograma, na forma mais usual, apresenta a semivariância média para cada
distância. O estimador mais utilizado na literatura para estimar a semivariância média é o
estimador clássico de Matheron (1963):
∑ +−==
)(
1
2)]()([)(2
1)(ˆ
hn
iii hsZsZ
hnhγ (3)
em que: n(h) é o número de pares de pontos separados a uma distância h e )]()([ hsZsZ ii +− ,
para i=1,2,...,n(h), é o incremento.
Conforme maiores forem as distâncias entre as observações, menores se tornam as
relações entre as variáveis e menor é a dependência espacial (Seidel, 2013).
Existem outros estimadores propostos na literatura como pode ser visto em Mingoti e
Rosa (2008) e Félix et al. (2016).
Quando se constrói o semivariograma deve-se considerar dois detalhes importantes:
primeiramente, cada distância (lag) deve ter, ao menos, 30 pares de pontos; em segundo lugar,
sugere-se utilizar no máximo 50% da maior distância entre pontos (Journel e Huijbregts,
2003).
A segunda recomendação é subjetiva, pois não necessariamente usar 50% da máxima
distância é o ideal. Por exemplo, se o alcance for maior que a metade da maior distância, não
será adequadamente estimado no semivariograma se usarmos tal recomendação. No pacote
14
geoR (Ribeiro Jr e Diggle, 2001) do software R (R Core Team, 2017) é possível usar qualquer
percentual da máxima distância, sendo que o default é usar 100% da maior distância entre
pontos.
A partir do semivariograma amostral é necessário ajustar um modelo teórico para
descrever adequadamente e de forma geral a variabilidade do fenômeno espacial. Os modelos
de semivariograma podem ser separados em aqueles que possuem patamar e os que não
possuem patamar. Os que possuem patamar são modelos válidos sob suposição de
estacionariedade de segunda ordem e possuem os parâmetros: Efeito pepita; Contribuição;
Patamar; Alcance.
Existem muitos modelos de semivariograma com patamar, sendo possível destacar, os
modelos esférico, exponencial, gaussiano, pentaesférico, cúbico, wave (Olea, 2006), dentre
outros.
A figura 3 mostra uma ilustração de um modelo de semivariograma, com patamar,
ajustado com seus parâmetros descritos.
*Adaptado de Seidel (2013). Figura 3 – Exemplo de ajuste de modelo de semivariograma, com patamar, com seus
parâmetros.
15
O alcance é uma distância até a qual existe dependência espacial. É a distância até a
qual as amostras são correlacionadas espacialmente.
O efeito pepita é uma variância residual devida a efeitos aleatórios ou erros amostrais.
A contribuição é a variância estrutural que é devida a estrutura de dependência
espacial. Esta variância descreve a magnitude da variabilidade espacial no sentido vertical do
semivriograma.
Já o patamar é a variância total, sendo a soma das variâncias residual e estrutural. O
patamar é semelhante ao valor da variância do atributo (Trangmar et al., 1985; Jordão et al.,
2015).
A partir das relações entre efeito pepita e patamar é possível obter uma medida de
dependência espacial na forma:
100.(%)
=
PT
EPGDE (4)
em que: EP é o efeito pepita e PT é o patamar.
Esta medida foi inicialmente proposta em Trangmar et al. (1985) e mais explorada em
Cambardella et al. (1994). Em seu estudo, Cambardella et al. (1994), propôs uma
classificação da dependência espacial a partir da medida GDE(%), da seguinte maneira: Se
GDE(%) ≤ 25%, então ocorre dependência espacial fraca; Se 25% < GDE(%) ≤ 75%, então
tem-se dependência espacial moderada; Se GDE(%) > 75%, ocorre dependência espacial
forte.
A variabilidade espacial das propriedades do solo tem sido estudada desde que
percebeu-se a pouca eficácia das ferramentas clássicas da Estatística em estudos de solos, e é
justamente nesses casos que a Geoestatística tem suas principais aplicações (Vitória et al.,
2012). Nesse sentido, Vieira (2000) conclui sua obra indicando que, em aplicações em Solos,
a Geoestatística deve ser adotada como rotina em análises de dados, para possibilitar maior
exatidão científica nas recomendações.
16
3 DESENVOLVIMENTO DO ESTÁGIO E RESULTADOS
Este relatório descreve as atividades realizadas e os respectivos resultados obtidos. O
estágio foi desenvolvido no período de 13 de março a 16 de junho de 2017, perfazendo um
total de 400 horas de atividades, sob orientação do prof. Dr. Elódio Sebem e sob supervisão
da profª. Drª. Angela Pellegrin Ansuj.
3.1 Métodos aplicados
Para o desenvolvimento do estágio, definiu-se primeiramente a intenção em se
confeccionar um banco de dados inicial para, em caráter exploratório, entender quais fatores
ou variáveis seriam importantes para se estudar os aspectos relacionados à
descrição/caracterização da variabilidade espacial em atributos de solos.
Num primeiro momento foram realizadas leituras e confecção de resenhas de artigos
publicados em alguns periódicos nacionais que aplicaram Geoestatística em estudos de
Ciências do Solo. A partir dessas atividades, ocorreram reuniões de discussão sobre tais
artigos com o objetivo de definir quais aspectos desses artigos seriam interessantes de serem
tabelados e analisados.
Assim, a primeira definição obtida no desenvolvimento do estágio foi a de
confeccionar uma lista de fatores e variáveis de interesse para a construção de um banco de
dados. O quadro 1 mostra tal lista de fatores e variáveis.
17
Codificação Descrição
Artigo Codificação de identificação do artigo
Ano_Publicacao Ano de publicação do artigo
Revista Periódico de publicação do artigo
Fatores de campo
Atributo Denominação do atributo
Longitude Coordenada geográfico da área de estudo (Longitude)
Latitude Coordenada geográfico da área de estudo (Latitude)
Altitude_m Altitude média da área de estudo (m)
Local Cidade, Região ou Estado em que o estudo foi realizado
Area_ha Tamanho da área (ha) na qual foi realizado o estudo
Tipo_Solo Tipo de solo da área de estudo
Camada Camada de solo em que foram coletadas as amostras
Malha Forma da malha de amostragem (Regular ou Irregular)
Dist_Minima_Pontos_m Distância mínima entre pontos na malha de amostragem
MaxDist_m Distância máxima entre pontos na malha de amostragem
n Tamanho da amostra
Variáveis de atributo
Media Valor da média do atributo
Variancia Valor da variância do atributo
CV Valor do coeficiente de variação do atributo
Variáveis espaciais
Semivariograma Se é apresentado semivariograma (Sim ou Não)
hmax Tamanho do eixo das distâncias do semivariograma
pontos_no_semivar Número de lags no semivariograma
Estimador Se é apresentada a expressão do estimador clássico (Sim ou Não)
Modelo Modelo de semivariograma ajustado
EP Valor do efeito pepita
CT Valor da contribuição
PT Valor do patamar
Alcance Valor do alcance
GDE_CT Razão entre contribuição e patamar
GDE_EP Razão entre efeito pepita e patamar
Classificacao Classificação da dependência espacial
Quadro 1 - Lista de fatores e variáveis a serem coletadas dos artigos.
Os fatores/variáveis foram separados em: Fatores de Campo; Variáveis de Atributo; e
Variáveis Espaciais.
Os fatores de campo se referem aos elementos oriundos de características do terreno,
relevo, características do solo, tipo de atributo e formas de amostragem e de coleta de
amostras. As variáveis de atributo são assim denominadas por descreverem o comportamento
18
do atributo em termos de tendência central e de variabilidade. Já as variáveis espaciais são
determinantes de características que descrevem aspectos da estrutura de variabilidade espacial
do atributo.
Após definidos os fatores e variáveis a serem selecionadas de cada artigo publicado,
passou-se à discussão de quais bases de indexação de periódicos e quais periódicos seriam
considerados para o desenvolvimento do banco de dados. A partir de reuniões e discussões
ficou definido que a base de indexação a ser usada para coleta de artigos seria o portal de
periódicos Scientific Electronic Library Online (SciElo Brasil). Esta base foi considerada por
ser uma base de fácil acesso e que tem indexados os principais (mais relevantes) periódicos
nacionais da área de Ciências Agrárias. A figura 4 mostra uma visão inicial do portal SciElo
Brasil.
Figura 4 - Visão do portal da SciElo Brasil.
A figura 5 mostra a lista de periódicos da área de Ciências Agrárias que estão
indexados na SciElo Brasil.
19
Figura 5 - Periódicos da área de Ciências Agrárias indexados na SciElo Brasil.
Para compor um banco de dados inicial para estudo de relações entre fatores e
variáveis influentes na avaliação e descrição da variabilidade espacial delimitou-se uma janela
temporal de artigos publicados entre 2012 e 2016, contemplando os últimos 5 anos.
A busca dos artigos, no portal Scielo Brasil, foi então planejada da seguinte maneira:
Utilizar, primeiramente, as palavras-chave "Geoestatística" e "Solo" e o ano específico de
interesse; Num segundo momento, refazer a busca com as palavras-chave "Geostatistics" e
"Soil" e o ano específico de interesse.
A forma de busca, por palavras-chave em português e em inglês, foi escolhida para
garantir uma maior abrangência de artigos, pois alguns periódicos ainda possibilitam
publicação de artigos em idioma português, mas outras já aderiram exclusivamente o idioma
inglês. As figuras 6 e 7 apresentam, como exemplo, as buscas de artigos realizadas no portal
da SciElo Brasil, com as palavras-chave em português e em inglês, respectivamente, para o
ano de 2016.
20
Figura 6 - Exemplo de busca de artigos com as palavras-chave "Geoestatística" e
"Solo" e ano de publicação "2016".
21
Figura 7 - Exemplo de busca de artigos com as palavras-chave "Geostatistics" e "Soil"
e ano de publicação "2016".
A partir de reuniões e discussões foram definidos os seguintes critérios de inclusão
para a coleta dos artigos no portal SciElo Brasil:
1 - O periódico, do qual o artigo será coletado, deve ter Qualis Capes no extrato B1 ou
superior para a avaliação de 2015 (mais atual).
2 - O artigo deve apresentar nos materiais e métodos uma figura (croqui) mostrando a
área em que o estudo foi realizado, com apresentação de escala gráfica e/ou coordenadas
UTM de forma legível, para possibilitar cálculo de distâncias aproximadas. A obtenção das
distâncias máximas entre pontos foram obtidas com utilização de escalimetro.
22
3 - O artigo deve apresentar, pelo menos, alguma das estimativas de efeito pepita,
contribuição, patamar ou alcance.
Assim, após a busca dos artigos e aplicação dos critérios de inclusão foram coletados
em definitivo 30 artigos. Destes, 7 artigos publicados em 2012, 8 publicados em 2013, 5 em
2014, 8 artigos no ano de 2015 e 2 artigos publicados em 2016.
Foram obtidos 3 artigos no periódico Bragantia (Qualis B1), 1 artigo no periódico
Ciência e Agrotecnologia (Qualis A2), 2 artigos no periódico Engenharia Agrícola (Qualis
B1), 2 artigos no periódico Pesquisa Agropecuária Brasileira (Qualis B1), 11 artigos no
periódico Revista Brasileira de Ciência do Solo (Qualis A2), 6 artigos no periódico Revista
Brasileira de Engenharia Agrícola e Ambiental (Qualis B1), 2 artigos no periódico Revista
Ceres (Qualis B1), 1 artigo no periódico Revista Ciência Agronômica (Qualis B1) e 2 artigos
no periódico Scientia Agricola (Qualis A1). O quadro 2 apresenta os artigos coletados.
23
Artigo Citação Título 2012-1 Santos et al. (2012) Variabilidade espacial de atributos físicos em solos de vale aluvial no
semiárido de Pernambuco
2012-2 Mello et al. (2012) Distribuição espacial da precipitação e da erosividade da chuva mensal e anual no estado do Espírito Santo
2012-3 Teixeira et al. (2012) Uncertainties in the prediction of spatial variability of soil CO2 emissions and related properties
2012-4 Skorupa et al. (2012) Propriedades de solos sob vegetação nativa em Minas Gerais: distribuição por fitofisionomia, hidrografia e variabilidade espacial
2012-5 Maciel et al. (2012) Distribuição espacial de cobre, zinco e níquel em um Latossolo após quinze anos da aplicação de lodo de esgoto
2012-6 Burak, Passos e Andrade (2012) Variabilidade espacial de atributos químicos do solo sob cafeeiro Conilon: relação com textura, matéria orgânica e relevo
2012-8 Gontijo et al. (2012) Variabilidade e correlação espacial de micronutrientes e matéria orgânica do solo com a produtividade da pimenta-do-reino
2013-1 Dalchiavon et al. (2013) Sugarcane productivity correlated with physical-chemical attributes to create soil management zone
2013-2 Neves Neto et al. (2013) Análise espacial de atributos do solo e cobertura vegetal em diferentes condições de pastagem
2013-3 Oliveira et al. (2013) Variabilidade espacial de atributos físicos em um cambissolo háplico, sob diferentes usos na região sul do Amazonas
2013-4 Kamimura et al. (2013) Variabilidade espacial de atributos físicos de um latossolo vermelho-amarelo, sob lavoura cafeeira
2013-5 Costa et al. (2013) Effects of vinasse application under the physical attributes of soil covered with sugarcane straw
2013-6 Santos et al. (2013) Spatial continuity of soil attributes in an atlantic forest remnant in the Mantiqueira Range, MG
2013-7 Dalchiavon et al. (2013) Strategy of specification of management areas: rice grain yield as related to soil fertility
2013-8 Oliveira et al. (2013) Microrrelevo e a distribuição de frações granulométricas em Cambissolos de origem calcária
2014-1 Dalchiavon et al. (2014) Inter-relações da produtividade de cana soca com a resistência à penetração, umidade e matéria orgânica do solo
2014-2 Bottega et al. (2014) Sampling grid density and lime recommendation in an Oxisol
2014-3 Lima et al. (2014) Variabilidade de atributos do solo sob pastagens e mata atlântica na escala de microbacia hidrográfica
2014-4 Nascimento et al. (2014) Zonas homogêneas de atributos do solo para o manejo de irrigação em pomar de videira
2014-5 Viola et al. (2014) Distribuição e potencial erosivo das chuvas no estado do Tocantins
2015-1 Siqueira et al. (2015) Estacionariedade do conteúdo de água de um Espodossolo Humilúvico
2015-2 Oliveira Filho et al. (2015) Zona de manejo para preparo do solo na cultura da cana-de-açúcar
2015-3 Azevedo, Bueno e Pereira (2015) Spatial variability of soil properties in an agrarian reform settlement
2015-4 Mendonça et al. (2015) Spatial uncertainty of nutrient loss by erosion in sugarcane harvesting scenarios
2015-5 Siqueira, Silva e Dafonte (2015) Distribuição espacial da condutividade elétrica do solo medida por indução eletromagnética e da produtividade de cana-de-açúcar
2015-6 Leal et al. (2015) Characterization of potential CO2 emissions in agricultural areas using magnetic susceptibility
2015-7 Bahia et al. (2015) Field-scale spatial correlation between contents of iron oxides and CO2 emission in an Oxisol cultivated with sugarcane
2015-8 Corado Neto et al. (2015) Variabilidade espacial da resistência à penetração em neossolo litólico degradado
2016-3 Oldoni e Bassoi (2016) Delineation of irrigation management zones in a Quartzipsamment of the Brazilian semiarid region
2016-6 Richetti et al. (2016) Técnicas para detecção de pontos influentes em variáveis contínuas regionalizadas
Quadro 2 - Artigos coletados para confecção do banco de dados.
A partir dos 30 artigos foram coletados 325 atributos com informações sobre o modelo
de semivariograma ajustado. Deste total, 30 atributos tiveram ajuste de modelo de efeito
pepita puro. Assim, considerando apenas os ajustes de modelos de semivariograma com
dependência espacial evidente, teve-se um total de 295 atributos.
24
Portanto, a partir deste momento considera-se o banco de dados composto por 295
linhas (atributos de solo) e por 30 colunas (fatores e variáveis).
Para a confecção do mapa de representação das localizações dos artigos no território
do Brasil é utilizado o software QGIS.
Para realizar as análises descritivas e os testes de hipóteses é usado o software R (R
Core Team, 2017). Nos casos em que houve normalidade, utilizou-se testes de hipótese
paramétricos; nos casos em que não ocorreu normalidade, usou-se testes de hipóteses não
paramétricos. Em todos os testes de hipótese considerou-se nível de significância de 5%.
3.2 Resultados obtidos
O primeiro resultado propriamente dito é a composição de um banco de dados inicial
com informações relevantes ao estudo da variabilidade espacial de atributos de solo. A figura
8 apresenta uma visão parcial do banco de dados em formato txt (texto separado por
tabulação).
Figura 8 - Visão parcial do banco de dados em formato txt.
A construção deste banco de dados foi inspirada no estudo de Seidel e Oliveira (2016)
que, coletaram dados reais a partir de 25 artigos publicados, de 2006 a 2015, em periódicos
indexados na SciElo Brasil.
25
Uma primeira análise de frequência pode ser realizada mostrando o número de artigos
e o número de atributos que possuem informações sobre os fatores de campo, sobre as
variáveis do atributo e variáveis espaciais. Esta análise é apresentada na tabela 1.
Tabela 1 - Número de artigos e atributos para os quais tem-se informação referente aos fatores de campo, variáveis do atributo e variáveis espaciais. Fatores de campo Artigos Atributos
Denominação do atributo 30 295
Coordenada geográfico da área de estudo (Longitude) 23 222
Coordenada geográfico da área de estudo (Latitude) 23 222
Altitude média da área de estudo (m) 15 170
Cidade, Região ou Estado em que o estudo foi realizado 29 284
Tamanho da área (ha) na qual foi realizado o estudo 15 154
Tipo de solo da área de estudo 22 231
Camada de solo em que foram coletadas as amostras 27 257
Forma da malha de amostragem (Regular ou Irregular) 29 287
Distância mínima entre pontos na malha de amostragem 21 208
Distância máxima entre pontos na malha de amostragem 30 295
Tamanho da amostra 29 283
Variáveis de atributo
Valor da média do atributo 21 179
Valor da variância do atributo 21 179
Valor do coeficiente de variação do atributo 21 179
Variáveis espaciais
Se é apresentado semivariograma (Sim ou Não) 16 118
Tamanho do eixo das distâncias do semivariograma 16 118
Número de lags no semivariograma 16 118
Se é apresentada a expressão do estimador clássico (Sim ou Não) 14 125
Modelo de semivariograma ajustado 30 295
Valor do efeito pepita 29 280
Valor da contribuição 29 280
Valor do patamar 29 280
Valor do alcance 30 295
Razão entre contribuição e patamar 30 293
Razão entre efeito pepita e patamar 30 293
Classificação da dependência espacial 30 293
Observa-se a partir da tabela 1 que ocorre uma heterogeneidade na forma de
apresentação das informações, sendo que só a denominação do atributo, a máxima distância
da malha de amostragem, o modelo ajustado, o valor do alcance, a razão entre efeito pepita e
26
patamar, a razão entre contribuição e patamar e a classificação da dependência espacial
constam em todos os artigos. As informações menos recorrentes se referem a apresentação da
expressão do estimador clássico de semivariância, da altitude média (m), do tamanho da área
(ha) de estudo e da apresentação do gráfico do semivariograma.
Ainda, com base na tabela 1, em relação aos atributos, apenas a denominação do
atributo, a máxima distância da malha de amostragem, o modelo ajustado e o valor do alcance
constam para os 295 atributos. As informações menos recorrentes se referem a apresentação
do gráfico do semivariograma.
Para realizar uma visualização das localizações dos artigos no território nacional é
apresentado um mapa na figura 9. Este mapa é realizado com um arquivo vetorial (Datum
WGS84 com coordenadas geográficas decimais) com os polígonos representativos dos
estados do Brasil, constituindo o polígono do país. Um arquivo txt (texto separado por
tabulação) foi criado com as coordenadas geográficas decimais (Datum WGS84) das
localizações dos 23 artigos, obtidas por uso da calculadora geográfica
(http://www.dpi.inpe.br/calcula/). O banco de dados original está em coordenadas
geográficas: graus, minutos e segundos. Assim, com base no arquivo vetorial do Brasil e o
arquivo de coordenadas dos artigos foi gerado o mapa representativo das localizações dos
artigos. Destaca-se que a maioria dos artigos foram gerados de pesquisas realizadas no
sudeste do país.
27
Figura 9 - Mapa de localização dos artigos no território do Brasil.
Um próximo procedimento foi obter a análise descritiva dos fatores e variáveis do
banco de dados, análise esta que é apresentada na tabela 2.
28
Tabela 2 - Análise descritiva dos fatores e variáveis quantitativos do banco de dados.
Estatística Altitude (m) Area (ha) Distância mínima entre pontos (m)
Distância máxima entre pontos (m)
Mínimo 8,50 0,25 0,50 45,00
máximo 934,00 58652800,00 177,67 1060000,00
média 275,60 1142600,08 22,00 72459,57
mediana 240,00 3,00 5,40 229,00
DP 260,3769 8132642,3941 42,4312 234648,1244
CV 94,4764 711,7663 192,8831 323,8332
n 170 154 208 295
Estatística n h máximo (m) pontos no semivariograma Valor do CV
Mínimo 25,00 6,00 4,00 0,08
máximo 820,00 562000,00 31,00 195,14
média 123,26 14735,58 12,77 31,96
mediana 101,00 178,00 11,00 24,01
DP 124,4541 88771,9095 5,7977 28,0595
CV 100,9676 602,4322 45,3971 87,8059
n 283 118 118 179
Estatística Valor do alcance (m) GDE (CT/PT) GDE (EP/PT)
Mínimo 1,60 16,04 0,00
máximo 1071000,00 100,00 83,96
média 36503,28 69,29 30,71
mediana 70,50 69,95 30,05
DP 128890,3909 21,4034 21,4034
CV 353,0927 30,8901 69,6922
n 295 293 293 * DP=Desvio padrão; CV=Coeficiente de Variação (%); n=Tamanho da amostra; h máximo
(m)=Tamanho do eixo das distâncias no semivariograma (m); GDE (CT/PT)=Razão entre contribuição e patamar (%); GDE (EP/PT)=Razão entre efeito pepita e patamar (%).
Não foram realizadas as análises descritivas das variáveis Valor da média, Valor da
variância, Valor do efeito pepita, Valor da contribuição e Valor do patamar, pois cada atributo
possui uma unidade de medida específica, que faz com que os valores possuam grandezas
distintas e não sejam comparáveis diretamente. Apenas os fatores e variáveis que possuem a
mesma unidade de medida para todos os atributos ou sejam dados em percentual são
apresentados na tabela 2.
Com base na tabela 2 observa-se que ocorre alta variabilidade nos valores dos fatores
e variáveis, indicando uma heterogeneidade nos valores utilizados. Por exemplo, as distâncias
mínimas (m) usadas nas malhas de amostragem variaram de 0,50 m até 177,67 m, o que
mostra grande amplitude de valores usados nos artigos.
29
Além disso, verifica-se, pela tabela 2, que os valores de alcance (m) da dependência
espacial variaram de 1,60 m até 1.071.000,00 m o que mostra a amplitude de tamanhos de
áreas e distâncias nos estudos. O alcance mediano foi de 70,50 m, já o alcance médio foi de
36.503,28 m, indicando assimetria positiva na distribuição do alcance (m).
Já a razão entre contribuição e patamar (%), que indica o grau de dependência
espacial, mostra que a dependência espacial média é de 69,29%, quase idêntico ao valor da
mediana (69,95%), gerando, na média, uma classificação de dependência moderada
(Cambardella et al., 1994). Os valores da razão entre efeito pepita e patamar (%) geram
interpretação idêntica em relação à classificação da dependência espacial.
Outra análise descritiva realizada observa a frequência com que as categorias dos
fatores e variáveis qualitativos ocorrem nos atributos. Esta análise é apresentada na tabela 3.
Observa-se, pela tabela 3, que os atributos foram estudados em 5 tipos de solos.
Percebe-se, ainda, que apenas 40% dos atributos estudados tiveram apresentado o gráfico do
semivariograma.
Outro destaque a se fazer é que os modelos esférico e exponencial são os
predominantemente usados para modelar a variabilidade espacial dos atributos de solo,
representando mais de 76% dos casos. Este resultado corrobora com os achados de Montanari
et al. (2008) que comenta que vários estudos de variabilidade espacial em solos usaram
predominantemente os modelos esférico e exponencial de semivariograma.
Em relação à classificação da dependência espacial, sugerida por Cambardella et al.
(1994), percebe-se, pela tabela 3, que há uma tendência de atributos com dependência
espacial de moderada a forte. Claro que a categorização em moderada dependência possui
mais de 50% dos casos.
30
Tabela 3 - Frequência de categorias dos fatores e variáveis qualitativas do banco de dados. Tipo de solo Contagem Percentual (%) Malha Contagem Percentual (%)
Argissolo 28 12,12 Regular 157 54,70
Cambissolo 56 24,24 Irregular 130 45,30
Espodossolo 24 10,39 Total 287 100,00
Latossolo 65 28,14 Semivariograma Contagem Percentual (%)
Neossolo 58 25,11 Sim 118 40,00
Total 231 100,00 Não 177 60,00 Camada de solo Contagem Percentual (%) Total 295 100,00
0.00-0.03m 4 1,56 Modelo Contagem Percentual (%)
0.00-0.05m 6 2,33 Esférico 116 39,32
0.00-0.10m 62 24,12 Exponencial 111 37,63
0.00-0.15m 4 1,56 Gaussiano 63 21,36
0.00-0.20m 86 33,46 Pentaesférico 4 1,36
0.00-0.30m 3 1,17 Wave 1 0,34
0.00-0.40m 12 4,67 Total 295 100,00
0.05-0.10m 6 2,33 Classificação Contagem Percentual (%)
0.10-0.13m 4 1,56 Fraca 4 1,37
0.10-0.20m 12 4,67 Moderada 164 55,97
0.20-0.30m 2 0,78 Forte 125 42,66
0.20-0.40m 30 11,67 Total 293 100,00
0.20-0.50m 5 1,95
0.25-0.28m 4 1,56
0.40-0.60m 12 4,67
0.50-1.00m 5 1,95
Total 257 100,00 *Semivariograma=Se é apresentado o gráfico do semivariograma; Classificação=Classificação da
dependência espacial (Cambardella et al., 1994).
Para dar continuidade ao estágio, definiu-se comparar as relações ou os
comportamentos de aspectos da estrutura de variabilidade espacial (variáveis espaciais) em
distintas categorias dos fatores de campo. Esta atividade se baseia na ideia de que ocorrem
diferentes comportamentos para distintos fatores influentes no campo, pois de acordo com
Cherubin et al. (2014), vários estudos mostram que a dependência espacial varia de acordo
com os tipos de solo, relevo, atributos estudados, distâncias entre amostras e usos e manejos
do solo.
Primeiramente, pensou-se em categorizar os fatores de campo quantitativos da
seguinte maneira:
31
- As mínimas distâncias entre pontos (m) foram discretizadas em duas categorias: <
5,4 m, indicando valores menores que a mediana do fator; >= 5,4 m, indicando valores
maiores ou iguais que a mediana.
- As máximas distâncias entre pontos (m) foram categorizadas em: < 229,0 m,
indicando valores menores que a mediana do fator; >= 229,0 m, indicando valores maiores ou
iguais que a mediana.
- Os tamanhos de amostras foram discretizados em: < 101, valores menores que a
mediana dos tamanhos de amostra; >= 101, indicando valores de tamanho de amostra maiores
ou iguais a mediana.
Já os fatores de campo qualitativos foram categorizados na forma:
- As camadas: Superficial, contemplando as camadas 0,00-0,03m, 0,00-0,05m, 0,00-
0,10m, 0,00-0,15m, 0,00-0,20m, 0,00-0,30m e 0,00-0,40m; Profunda, contemplando as
camadas de solo 0,05-0,10m, 0,10-0,13m, 0,10-0,20m, 0,20-0,30m, 0,20-0,40m, 0,20-0,50m,
0,25-0,28m, 0,40-0,60m e 0,50-1,00m.
- As malhas foram categorizadas em: Regular; Irregular.
- Os tipos de solo são categorizados em: Argissolo; Cambissolo; Espodossolo;
Latossolo; Neossolo.
Após gerar a categorização dos fatores de campo, são realizadas as comparações de
médias da Razão entre efeito pepita e patamar [GDE (EP/PT)] (%) em diferentes categorias
dos fatores de campo, conforme tabela 4.
32
Tabela 4 - Comparação de medianas da Razão entre efeito pepita e patamar (%) em diferentes categorias dos fatores de campo.
Camada n GDE (EP/PT) (%) Valor p* Superficial 175 33,73 0,0228 Profunda 80 24,45 Malha n GDE (EP/PT) (%) Valor p* Regular 155 33,80 0,0064 Irregular 130 25,18 Máxima distância entre pontos (m)
n GDE (EP/PT) (%) Valor p*
< 229,0 m 113 37,09 0,0027 >= 229,0 m 180 26,99 Mínima distância entre pontos (m)
n GDE (EP/PT) (%) Valor p*
< 5,4 m 101 37,60 0,3336 >= 5,4 m 105 32,00 n (tamanho da amostra) n GDE (EP/PT) (%) Valor p* < 101,0 139 24,10 0,0010 >= 101,0 142 37,80 Tipo de solo n GDE (EP/PT) (%)$ Valor p# Argissolo 28 49,90 a < 0,0001 Neossolo 58 39,42 b Latossolo 65 37,00 b Cambissolo 54 27,14 b Espodossolo 24 0,68 c
* Teste de Mann-Whitney a 5% de probabilidade. # Teste de Kruskal-Wallis a 5% de probabilidade. $ Medianas seguidas de mesma letra não diferem estatisticamente, pelo teste de Dunn, a 5% de probabilidade.
Percebe-se, pela tabela 4, ocorrerem diferenças de comportamento mediano para a
Razão entre efeito pepita e patamar (%) para diferentes camadas de solo, para diferentes
formas de malhas, para distintas máximas distâncias entre pontos, para diferentes tamanhos de
amostra e para distintos tipos de solo. De modo geral, ocorrem menores razões mediana em
camadas de solo profundas, em malhas de amostragem irregulares, para maiores máximas
distâncias entre pontos. Além disso, destaca-se que ocorre maior dependência espacial (menor
razão mediana) para solos do tipo Espodossolo, sendo que este é o único tipo de solo que
apresenta dependências espacial mediana classificada como forte, se for considerada a
classificação de Cambardella et al. (1994).
Seguindo as atividades do estágio, procedeu-se à avaliação das possíveis semelhanças
entre os valores das variâncias dos atributos e os valores dos patamares estimados nos
semivariogramas dos atributos. Este procedimento é realizado para verificar, na prática, se
ocorrem semelhanças entre variância amostral e patamar estimado, pois de acordo com
Trangmar et al. (1985) e Jordão et al. (2015) estas duas medidas são semelhantes, nos casos
em que ocorrem ajustes de modelos com patamar. Para realizar esta análise, primeiramente,
para eliminar os efeitos de diferentes unidades de medidas dos atributos, faz-se a razão entre
patamar e variância (Patamar/Variância). A priori, se os valores de patamar e variância forem
33
semelhantes, o valor da razão do patamar pela variância será próximo de 1. A tabela 5
apresenta a avaliação da mediana da razão entre patamar e variância.
Tabela 5 - Avaliação da mediana da razão entre patamar e variância para diferentes categorias dos fatores de campo.
Camada n Patamar/Variância Valor p* Superficial 129 1,00 0,2498 Profunda 46 1,08 0,0311 Malha n Patamar/Variância Valor p* Regular 97 1,02 0,2151 Irregular 74 1,00 0,2629 Máxima distância entre pontos (m)
n Patamar/Variância Valor p*
< 229,0 m 82 1,00 0,6046 >= 229,0 m 97 1,06 0,6738 Mínima distância entre pontos (m)
n Patamar/Variância Valor p*
< 5,4 m 70 1,09 0,0341 >= 5,4 m 72 0,88 < 0,0001 n (tamanho da amostra) n Patamar/Variância Valor p* < 101,0 77 1,00 0,7311 >= 101,0 90 1,02 0,4117 Tipo de solo n Patamar/Variância Valor p Argissolo 12 1,00 0,5560* Cambissolo 31 0,87 0,0024* Espodossolo 12 1,36 0,0003# Latossolo 29 1,01 0,6736# Neossolo 58 1,11 0,0004*
* Teste de Wilcoxon; # Teste t; para a hipótese nula de que a média da razão entre patamar e variância é igual a 1, com 5% de probabilidade.
Observa-se, pela tabela 5, que nas camadas superficiais de solo, nas malhas regulares e
irregulares, nas maiores e menores máximas distâncias entre pontos, para menores e maiores
tamanhos de amostra e para os tipos de solo Argissolo e Latossolo, ocorrem valores de razão
entre patamar e variância próximos de 1, indicando que nestas situações tem-se semelhança
entre os valores de patamar e variância.
Por outro lado, em camadas profundas de solo, menores mínimas distâncias entre
pontos e para os solos Espodossolo e Neossolo, tem-se valores de patamar maiores que os
valores de variância, pois a razão mediana foi maior do que 1. E, para maiores mínimas
distâncias e para os solos do tipo Cambissolo, observam-se menores valores de patamar do
que de variâncias, já que a mediana das razões entre patamar e variância foi menor do que 1.
Assim, de modo geral, observam-se semelhanças entre os valores de patamar e
variância. Neste sentido, poderiam ser usados tanto valores de patamar quanto valores de
34
variância para possíveis análises, de modo que não haveria grandes distinções entre um valor
ou outro.
Seguindo as atividades, outra tarefa realizada foi relativa ao estudo dos aspectos
relacionados ao semivariograma, de modo que se consideraram, neste caso, os atributos para
os quais foram apresentadas as imagens dos gráficos dos semivariogramas. A tabela 6 mostra
a comparação de medianas da razão entre efeito pepita e patamar para diferentes tamanhos do
eixo das distâncias do semivariograma e diferentes números de pontos dos semivariogramas.
Tabela 6 - Avaliação da mediana da razão entre efeito pepita e patamar para diferentes elementos do semivariograma.
Tamanho do eixo h do semivariograma (m)
n GDE (EP/PT) (%) Valor p*
< 178,0 55 42,66 < 0,0001 >= 178,0 63 22,60 Número de lags no semivariograma
n GDE (EP/PT) (%) Valor p*
< 11 52 35,54 0,0546 >= 11 66 29,85
* Teste de Mann-Whitney a 5% de probabilidade.
É possível destacar, pela tabela 6, que para maiores tamanhos do eixo de distâncias do
semivariograma têm-se menores valores da razão entre efeito pepita e patamar e
consequentemente, maior dependência espacial. Em relação ao número de lags no
semivariograma não ocorreram diferenças significativas entre as medianas da razão entre
efeito pepita e patamar.
4 CONCLUSÃO
Foram obtidos 30 variáveis/fatores de campo que podem influenciar nos aspectos da
amostragem e da avaliação da variabilidade espacial.
O banco de dados inicial confeccionado permite realizar investigações com base em
dados reais publicados em artigos de periódicos nacionais.
Com base nas observações realizadas, a dependência espacial é maior para camadas
profundas de solo, estudos com malhas irregulares de amostragem, maiores máximas
35
distâncias de amostragem, menores temanhos de amostra, para solos do tipo Espodossolo e
para ajustes de semivariogramas com maiores eixos de distância.
5 CONSIDERAÇÕES FINAIS
O estágio possibilitou realizar atividades profissionais considerando os aprendizados
obtidos no decorrer do curso. As atividades foram fundamentais para o amadurecimento e o
entendimento da atuação profissional.
Foi possível executar as tarefas com êxito e obter resultados importantes para a área de
investigação da variabilidade espacial.
De modo geral, as camadas de solo, os tipos de malhas de amostragem, as diferentes
máximas distâncias de amostragem, os variados tamanhos de amostra e os diversos tipos de
solo podem interferir de alguma maneira na variabilidade espacial de atributos de solo.
Estes aspectos podem auxiliar na definição de estratégias de pesquisa em futuros
estudos. Contudo, mais estudos devem ser realizados para que se possam ter maiores
subsídios nas definições de métodos de amostragem e análise de dados em aplicações de
Geoestatística.
REFERÊNCIAS
Cambardella, C. A. et al. Field-scale variability of soil properties in Central. Soil Science
Society America Journal, v. 58, n. 5, p. 1501-1511, 1994.
Cherubin, M.R. et al. Eficiência de malhas amostrais utilizadas na caracterização da
variabilidade espacial de fósforo e potássio. Ciência Rural, v. 44, p. 425-432, 2014.
Druck, S. et al (eds). Análise Espacial de Dados Geográficos. Brasília, EMBRAPA, 2004.
Félix, V. B. et al. Estimadores de Semivariância: uma revisão. Ciência e Natura, v. 38, n. 3, p.
1157-1167, 2016.
Jordão, W. H.C. et al. Variabilidade do índice de área foliar em campos naturais e floresta de
transição na região Sul do Amazonas. Revista Ambiente & Água, v. 10, p. 363-375, 2015.
36
Journel, A. G.; Huijbregts, C. J. Mining geostatistics. Caldwell: Blackburn, 2003. 600 p.
Louzada, J. M. Teste de normalidade multivariada em geoestatística utilizando bootstrap.
2011. 167 p. Tese (Doutorado em Estatística e Experimentação Agropecuária) - Universidade
Federal de Lavras, Lavras, 2011.
Matheron, G. Principles of geostatistics. Economic Geology, v. 58, p. 1246-1266, 1963.
Mingoti, S. A.; Rosa, G. A note on robust and non-robust variogram estimators. REM: Revista
Escola de Minas, v. 61, n. 1, p. 87-95, 2008.
Montanari, R. et al. Variabilidade espacial de atributos químicos em Latossolo e Argissolos.
Ciência Rural, v. 38, n. 5, p. 1266-1272, 2008.
Olea, R. A. A six-step practical approach to semivariogram modeling. Stochastic
Environmental Research and Risk Assessment, v. 20, n. 5, p. 307-318, 2006.
R Core Team. R: a language and environment for statistical computing. Vienna: R
Foundation for StatisticalComputing, 2017. Software.
Ribeiro Jr., P. J.; Diggle, P. J. GeoR: a package for geostatisticalanalysis. R News, v. 1, n. 2,
p. 15-18, 2001.
Schabenberger, O.; Gotway, C. A. Statistical methods for spatial data analysis. Boca Raton:
Chapman & Hall; CRC, 2005. 488 p.
Seidel, E. J. Novas contribuições para avaliação e descrição da estrutura de dependência
espacial em geoestatística. 2013. 146 p. Tese (Doutorado em Estatística e Experimentação
Agropecuária), Universidade Federal de Lavras, Lavras, 2013.
Seidel, E.J.; Oliveira, M.S. A classification for a geostatistical index of spatial dependence.
Revista Brasileira de Ciência do Solo, v. 40, p. 1-10, 2016.
Soares A. Geoestatística para as ciências da terra e do ambiente. 2a ed. Lisboa: IST Press;
2006.
Vitória, E.L. et al. Correlação linear e espacial entre produtividade de Brachiaria brizantha,
densidade do solo e porosidade total em função do sistema de manejo do solo. Engenharia
Agrícola, v. 32, p. 909-919, 2012.
Trangmar, B.B. et al. Application of geostatistics to spatial studies of soil properties.
Advances in Agronomy, v. 38, p. 45-94, 1985.
37
Vieira, S. R. Geoestatística em estudos de variabilidade espacial do solo. In: NOVAES, R. F.
et al. (Ed.). Tópicos em ciência do solo. Viçosa, MG: Sociedade Brasileira de Ciência do
Solo, 2000. v. 1, p. 1-53.
Yamamoto, J.K.; Landim, P.M.B. Geoestatística: conceitos e aplicações. São Paulo: Oficina
de Textos, 2013. 215p.
