Resumos
O objetivo deste trabalho foi avaliar o desempenho da simulação sequencial gaussiana (SSG) e da simulação sequencial indicatriz (SSI) na modelagem da incerteza das predições do K disponível em área de cana-de-açúcar, e comparar as simulações com o método já consagrado de krigagem ordinária (KO). Uma malha amostral com 626 pontos foi instalada em área de 200 ha, no Município de Tabapuã, em São Paulo. As simulações reproduziram a variabilidade dos dados amostrais de K disponível, enquanto a KO superestimou os baixos teores de K e subestimou os altos. O mapa de desvio-padrão obtido a partir da KO mostrou menor variação ao longo da área de estudo, quando comparado aos mapas obtidos a partir das simulações. A SSI obteve acurácia 22% superior à obtida pela SSG, na modelagem da função de distribuição condicional do K. As simulações apresentam maior eficiência que a KO para modelar incerteza na distribuição espacial do K. A SSI apresenta melhor desempenho que a SSG na estimativa dos teores de K disponível, em área de cana-de-açúcar.
fertilidade do solo; geoestatística; krigagem; simulação sequencial gaussiana; simulação sequencial indicatriz; variabilidade espacial.
The objective of this work was to evaluate the performance of the sequential Gaussian simulation (SGS) and the sequential indicator simulation (SIS) for modeling the uncertainty of available K predictions in a sugarcane area, and to compare both simulations to the already established method of ordinary kriging (OK). A sampling grid with 626 points was installed in an area of 200 ha, in the municipality of Tabapuã, in the state of São Paulo, Brazil. The simulations reproduced the variability in the available K sample data, whereas OK overestimated the low K levels and underestimated the high ones. The standard deviation map obtained from OK showed less variation along the studied area when compared to the maps obtained from the simulations. SIS achieved an accuracy 22% higher than that obtained by SGS for modeling the conditional distribution function of K. The simulations have higher efficiency than OK for modeling the uncertainty in the spatial distribution of K. SIS has better performance than SGS for estimating the levels of available K in sugarcane area.
soil fertility; geostatistics; kriging; sequential Gaussian simulation; sequential indicator simulation; spatial variability.
Introdução
O Estado de São Paulo é o maior produtor de cana-de-açúcar (Saccharum
officinarum L.), com 51,7% da área total cultivada no Brasil, segundo dados
da Companhia Nacional do Abastecimento (2014)COMPANHIA NACIONAL DE ABASTECIMENTO. Acompanhamento de safra brasileira
- cana-de-açúcar - safra 2013/14 - quarto levantamento - abril/2014. Disponível em:
<http://www.conab.gov.br/OlalaCMS/uploads/arquivos/14_04_10_09_00_57_boletim_cana_portugues_-_4o_lev_-_13.pdf>.
Acesso em: 4 ago. 2014.
http://www.conab.gov.br/OlalaCMS/uploads...
. A
cultura consome aproximadamente 13% do total de fertilizantes utilizado anualmente no
país (Otto et al., 2010OTTO, R.; VITTI, G.C.; LUZ, P.H. de C. Manejo da adubação potássica na
cultura da cana-de-açúcar., Revista Brasileira de Ciência do Solo v.34, p.1137-1145,
2010. DOI: 10.1590/S0100-06832010000400013.
https://doi.org/10.1590/S0100-0683201000...
), e o potássio é o
nutriente mais absorvido. Os solos tropicais brasileiros apresentam baixos teores de
potássio na forma disponível (Benites et al.,
2010BENITES, V. de M.; CARVALHO, M. da C.S.; RESENDE, A.V.; POLIDORO, J.C.;
BERNARDI, A.C.C.; OLIVEIRA, F.A. de. Potássio, cálcio e magnésio. In: SIMPÓSIO SOBRE
BOAS PRÁTICAS PARA USO EFICIENTE DE FERTILIZANTES, 2009, Piracicaba. Boas práticas
para uso eficiente de fertilizantes: anais. Piracicaba: IPNI, 2010. v.2,
p.134-203.), e a cana-de-açúcar responde bem à aplicação do nutriente. O estudo da
variabilidade espacial de K é uma forma de prover informações que possibilitem o manejo
adequado do nutriente e que reduzam os custos de produção, aumentem a produtividade das
culturas e diminuam o impacto ambiental da fertilização potássica.
A geoestatística é a principal ferramenta utilizada para a caracterização da
variabilidade espacial. Os métodos tradicionais geoestatísticos, como a krigagem, não
fornecem informações suficientes para quantificar as incertezas. Contudo, a avaliação da
incerteza, associada aos métodos de predição dos atributos analisados, tem ganhado
importância nos últimos anos (Bourennane et al.,
2007BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.;
RICHARD, G. Uncertainty assessment of soil water content spatial patterns using
geostatistical simulations: an empirical comparison of a simulation accounting for
single attribute and a simulation accounting for secondary information. Ecological
Modelling, v.205, p.323-335, 2007. DOI:
10.1016/j.ecolmodel.2007.02.034.
https://doi.org/10.1016/j.ecolmodel.2007...
; Goovaerts et al., 2008GOOVAERTS, P.; TRINH, H.T.; DEMOND, A.H.; TOWEY, T.; CHANG, S.-C.;
GWINN, D.; HONG, B.; FRANZBLAU, A.; GARABRANT, D.; GILLESPIE, B.W.; LEPKOWSKI, J.;
ADRIAENS, P. Geostatistical modeling of the spatial distribution of soil dioxin in
the vicinity of an incinerator. 2. Verification and calibration study. Environmental
Science and Technology v.42, p.3655-3661, 2008. DOI:
10.1021/es7024966.
https://doi.org/10.1021/es7024966....
; Delbari et al., 2009DELBARI, M.; AFRASIAB, P.; LOISKANDL, W. Using sequential Gaussian
simulation to assess the field-scale spatial uncertainty of soil water content.,
Catena v.79, p.163-169, 2009. DOI: 10.1016/j.catena.2009.08.001.
https://doi.org/10.1016/j.catena.2009.08...
; Zhao et al., 2009ZHAO, Y.; XU, X.; DARILEK, J.L.; HUANG, B.;; SUN, W. SHI, X.Spatial
variability assessment of soil nutrients in an intense agricultural area, a case
study of Rugao County in Yangtze River Delta Region, China. Environmental Geology,
v.57, p.1089-1102, 2009. DOI: 10.1007/s00254-008-1399-5.
https://doi.org/10.1007/s00254-008-1399-...
; Sun et al.,
2012 SUN, X.-L.; WU, S.-C.; WANG, H.-L.; ZHAO, Y.;; ZHAO, Y. ZHANG, G.; MAN,
Y.B.; WONG, M.H. Uncertainty analysis for the evaluation of agricultural soil quality
based on digital soil maps., Soil Science Society of America Journal v.76,
p.1379-1389, 2012. DOI: 10.2136/sssaj2011.0426.
https://doi.org/10.2136/sssaj2011.0426...
; Teixeira et al., 2012TEIXEIRA, D. De B.; BICALHO, E. da S.;; PANOSSO, A.R. PERILLO, L.I.;
IAMAGUTI, J.L.;; PEREIRA, G.T. LA SCALA, N. Uncertainties in the prediction of
spatial variability of soil CO2 emissions and related properties., Revista Brasileira
de Ciência do Solo v.36, p.1466-1475, 2012. DOI:
10.1590/S0100-06832012000500010.
https://doi.org/10.1590/S0100-0683201200...
). Em
geoestatística, a incerteza é uma medida indicativa da magnitude do erro de estimação
dos atributos, uma vez que este não pode ser determinado com exatidão, pois, para isso,
seria necessário o conhecimento do valor real do atributo em cada posição estimada
(Isaaks & Srisvastava, 1989 ISAAKS, E.H.; SRIVASTAVA, R.M. An introduction to applied
geostatistics. Oxford: University Press, 1989. 592p.). O
conhecimento da incerteza é uma etapa importante no processo de avaliação da qualidade
do interpolador utilizado e dos riscos envolvidos nos processos de tomada de decisão.
A krigagem ordinária (KO) é o estimador mais utilizado em estudos sobre a variabilidade
espacial de atributos químicos do solo (Sanchez et al.,
2009SANCHEZ, R.B.;; MARQUES JÚNIOR, J.; SOUZA, Z.M. de; PEREIRA, G.T.
MARTINS FILHO, M.V. Variabilidade espacial de atributos do solo e de fatores de
erosão em diferentes pedoformas. Bragantia, v.68, p.1095-1103, 2009. DOI:
10.1590/S0006-87052009000400030.
https://doi.org/10.1590/S0006-8705200900...
; Souza et al., 2010SOUZA, Z.M. de; CERRI, D.G.P.; COLET, M.J.; RODRIGUES, L.H.A.;
MAGALHÃES, P.S.G.; MANDONI, R.J.A. Análise dos atributos do solo e da produtividade
da cultura de cana-de-açúcar com o uso da geoestatística e árvore de decisão. Ciência
Rural, v.40, p.840-847, 2010. DOI: 10.1590/S0103-84782010005000048.
https://doi.org/10.1590/S0103-8478201000...
; Camargo et al., 2013CAMARGO, L.A.; MARQUES JÚNIOR, J.; PEREIRA, G.T.; ALLEONI, L.R.F.
Spatial correlation between the composition of the clay fraction and contents of
available phosphorus of an Oxisol at hillslope scale. Catena, v.100, p.100-106, 2013.
DOI: 10.1016/j.catena.2012.07.016
https://doi.org/10.1016/j.catena.2012.07...
); porém, o método suaviza
detalhes locais pela superestimação de valores baixos e pela subestimação de valores
altos (Zhao et al., 2009ZHAO, Y.; XU, X.; DARILEK, J.L.; HUANG, B.;; SUN, W. SHI, X.Spatial
variability assessment of soil nutrients in an intense agricultural area, a case
study of Rugao County in Yangtze River Delta Region, China. Environmental Geology,
v.57, p.1089-1102, 2009. DOI: 10.1007/s00254-008-1399-5.
https://doi.org/10.1007/s00254-008-1399-...
). Além disso, a obtenção
da variância da estimativa por esse método depende apenas da distribuição dos dados e
das características do variograma ajustado, e não leva em consideração os valores dos
dados, o que a torna uma medida incompleta da incerteza local (Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed.
Lisboa: Instituto Superior Técnico, 2006. 214p.).
Estudos recentes têm utilizado simulações estocásticas para avaliar e quantificar a
incerteza das propriedades químicas do solo (Bourennane
et al., 2010BOURENNANE, H.; DOUAY, F.; STERCKEMAN, T.; VILLANNEAU, E.; CIESIELSKI,
H.; KING, D.; BAIZE, D. Mapping of anthropogenic trace elements inputs in
agricultural topsoil from Northern France using enrichment factors. Geoderma, v.157,
p.165-174, 2010. DOI: 10.1016/j.geoderma.2010.04.009.
https://doi.org/10.1016/j.geoderma.2010....
; Sun et al., 2012 SUN, X.-L.; WU, S.-C.; WANG, H.-L.; ZHAO, Y.;; ZHAO, Y. ZHANG, G.; MAN,
Y.B.; WONG, M.H. Uncertainty analysis for the evaluation of agricultural soil quality
based on digital soil maps., Soil Science Society of America Journal v.76,
p.1379-1389, 2012. DOI: 10.2136/sssaj2011.0426.
https://doi.org/10.2136/sssaj2011.0426...
);
entretanto, no Brasil, ainda são poucas as publicações nessa área (Silva Junior et al., 2012SILVA JUNIOR, J.F. da;; MARQUES JÚNIOR, J.; CAMARGO, L.A.; TEIXEIRA, D.
De B.; PANOSSO, A.R. PEREIRA, G.T.Simulação geoestatística na caracterização espacial
de óxidos de ferro em diferentes pedoformas., Revista Brasileira de Ciência do Solo
v.36, p.1395-1406, 2012. DOI: 10.1590/S0100-06832012000600003.
https://doi.org/10.1590/S0100-0683201200...
; Teixeira
et al., 2012TEIXEIRA, D. De B.; BICALHO, E. da S.;; PANOSSO, A.R. PERILLO, L.I.;
IAMAGUTI, J.L.;; PEREIRA, G.T. LA SCALA, N. Uncertainties in the prediction of
spatial variability of soil CO2 emissions and related properties., Revista Brasileira
de Ciência do Solo v.36, p.1466-1475, 2012. DOI:
10.1590/S0100-06832012000500010.
https://doi.org/10.1590/S0100-0683201200...
; Oliveira et al., 2013OLIVEIRA, I.R. de; TEIXEIRA, D. De B.; PANOSSO, A.R.;; CAMARGO, L.A.;
MARQUES JÚNIOR, J. PEREIRA, G.T.Modelagem geoestatística das incertezas da
distribuição espacial do fósforo disponível no solo, em área de cana-de-açúcar.
Revista Brasileira de Ciência do Solo, v.37, p.1481-1491, 2013. DOI:
10.1590/S0100-06832013000600005.
https://doi.org/10.1590/S0100-0683201300...
). A
simulação sequencial gaussiana (SSG) e a simulação sequencial indicatriz (SSI) são os
tipos mais comuns de simulação estocástica. A SSG é a mais utilizada em estudos sobre
propriedades químicas do solo (Bourennane et al.,
2007BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.;
RICHARD, G. Uncertainty assessment of soil water content spatial patterns using
geostatistical simulations: an empirical comparison of a simulation accounting for
single attribute and a simulation accounting for secondary information. Ecological
Modelling, v.205, p.323-335, 2007. DOI:
10.1016/j.ecolmodel.2007.02.034.
https://doi.org/10.1016/j.ecolmodel.2007...
; Chai et al., 2007CHAI, X.; HUANG, Y.; YUAN, X. Accuracy and uncertainty of spatial
patterns of soil organic matter. New Zealand Journal of Agricultural Research, v.50,
p.1141-1148, 2007. DOI: 10.1080/00288230709510396.
https://doi.org/10.1080/0028823070951039...
; Delbari et al., 2009DELBARI, M.; AFRASIAB, P.; LOISKANDL, W. Using sequential Gaussian
simulation to assess the field-scale spatial uncertainty of soil water content.,
Catena v.79, p.163-169, 2009. DOI: 10.1016/j.catena.2009.08.001.
https://doi.org/10.1016/j.catena.2009.08...
; Zhao et al., 2009ZHAO, Y.; XU, X.; DARILEK, J.L.; HUANG, B.;; SUN, W. SHI, X.Spatial
variability assessment of soil nutrients in an intense agricultural area, a case
study of Rugao County in Yangtze River Delta Region, China. Environmental Geology,
v.57, p.1089-1102, 2009. DOI: 10.1007/s00254-008-1399-5.
https://doi.org/10.1007/s00254-008-1399-...
; Sun et al.,
2012 SUN, X.-L.; WU, S.-C.; WANG, H.-L.; ZHAO, Y.;; ZHAO, Y. ZHANG, G.; MAN,
Y.B.; WONG, M.H. Uncertainty analysis for the evaluation of agricultural soil quality
based on digital soil maps., Soil Science Society of America Journal v.76,
p.1379-1389, 2012. DOI: 10.2136/sssaj2011.0426.
https://doi.org/10.2136/sssaj2011.0426...
), enquanto a SSI (Delbari et al.,
2010DELBARI, M.;LOISKANDL, W. AFRASIAB, P.Uncertainty assessment of soil
organic carbon content spatial distribution using geostatistical stochastic
simulation. Australian Journal of Soil Research, v.48, p.27-35, 2010. DOI:
10.1071/SR09026.
https://doi.org/10.1071/SR09026...
) é frequentemente utilizada na área ambiental (Juang et al., 2004JUANG, K.-W.; CHEN, Y.-S.; LEE, D.-Y. Using sequential indicator
simulation to assess the uncertainty of delineating heavy-metal contaminated soils.
Environmental Pollution, v.127, p.229-238, 2004. DOI:
10.1016/j.envpol.2003.07.001.
https://doi.org/10.1016/j.envpol.2003.07...
; Zhao et al.,
2005ZHAO, Y.; SHI, X.; YU, D.; WANG, H.; SUN, W. Uncertainty assessment of
spatial patterns of soil organic carbon density using sequential indicator
simulation, a case study of Hebei province, China. Chemosphere, v.59, p.1527-1535,
2005. DOI: 10.1016/j.chemosphere.2005.01.002.
https://doi.org/10.1016/j.chemosphere.20...
). Ao contrário da KO, os modelos de simulação estocástica reproduzem a
variabilidade espacial dos dados, o que elimina o efeito de suavização. Os algoritmos de
simulação geram um conjunto de realizações e não uma "melhor estimativa", como na KO
(Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed.
Lisboa: Instituto Superior Técnico, 2006. 214p.). Assim, esse conjunto de
realizações pode ser utilizado para medir a incerteza das predições geradas pelos
modelos probabilísticos.
O objetivo deste trabalho foi avaliar o desempenho da simulação sequencial gaussiana (SSG) e da simulação sequencial indicatriz (SSI) na modelagem da incerteza das predições do K disponível em área de cana-de-açúcar, e comparar as simulações com o método já consagrado de krigagem ordinária (KO).
Material e Métodos
A área de estudo (21o05'57,11"S, 49o01'02,08"W) localiza-se no Município de Tabapuã, no noroeste do Estado de São Paulo. O clima da região, segundo a classificação de Thornthwaite, é do tipo megatérmico, subúmido chuvoso, com pequeno ou nenhum excedente de água e evapotranspiração de verão menor que 48% do total anual. O solo foi classificado como Argissolo Vermelho-Amarelo eutrófico de textura média/argilosa, de acordo o Sistema Brasileiro de Classificação de Solos (Santos et al., 2013SANTOS, H.G. dos; JACOMINE, P.K.T.; ANJOS, L.H.C. dos; OLIVEIRA, V.A. de; LUMBRERAS, J.F.; COELHO, M.R.; ALMEIDA, J.A. de; CUNHA, T.J.F.; OLIVEIRA, J.B. de. Sistema brasileiro de classificação de solos. 3.ed. rev. e ampl. Brasília: Embrapa, 2013. 353p.). A área, de 200 ha, apresenta histórico de mais de 20 anos de cultivo de cana-de-açúcar com sistema de colheita queimada.
O solo foi amostrado nos pontos de cruzamento de uma malha com intervalos regulares de
50 m, num total de 626 pontos. Desse total, cerca de 10% dos pontos amostrados (63)
foram sorteados, antes do início da modelagem geoestatística, para compor o conjunto de
dados utilizado na validação da modelagem (Bourennane et
al., 2007BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.;
RICHARD, G. Uncertainty assessment of soil water content spatial patterns using
geostatistical simulations: an empirical comparison of a simulation accounting for
single attribute and a simulation accounting for secondary information. Ecological
Modelling, v.205, p.323-335, 2007. DOI:
10.1016/j.ecolmodel.2007.02.034.
https://doi.org/10.1016/j.ecolmodel.2007...
); os 563 pontos restantes foram utilizados para as predições da
variável nos locais não amostrados. As amostras foram coletadas nas profundidades de
0,00-0,20 m, e o potássio disponível foi extraído pelo método da resina trocadora de
íons, proposto por Raij et al. (2001)RAIJ, B. van; ANDRADE, J.C. de; CANTARELLA, H.; QUAGGIO, J.A. (Ed.).
Análise química para avaliação da fertilidade de solos tropicais. Campinas: Instituto
Agronômico, 2001. 285p.. Esse banco
de dados, juntamente com as metodologias de coleta, análise e classificação dos dados, é
originário de pesquisas realizadas por Sanchez et al.
(2009)SANCHEZ, R.B.;; MARQUES JÚNIOR, J.; SOUZA, Z.M. de; PEREIRA, G.T.
MARTINS FILHO, M.V. Variabilidade espacial de atributos do solo e de fatores de
erosão em diferentes pedoformas. Bragantia, v.68, p.1095-1103, 2009. DOI:
10.1590/S0006-87052009000400030.
https://doi.org/10.1590/S0006-8705200900...
.
Inicialmente, procedeu-se ao cálculo das estatísticas descritivas dos teores observados de K disponível (média, desvio-padrão, mínimo, máximo, coeficiente de variação, assimetria e curtose), para identificar tendências, dispersão e forma de distribuição dos dados. O programa R foi utilizado para as avaliações das estatísticas descritivas (R Development Core Team, 2010R DEVELOPMENT CORE TEAM. R: a language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, 2012.). Além disso, a reprodução dos dados amostrais, pelos modelos de simulação e estimação, foi verificada com estatísticas descritivas e variogramas.
A dependência espacial dos teores de K disponível no solo foi caracterizada por meio do variograma, de acordo com a teoria das variáveis regionalizadas (Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed. Lisboa: Instituto Superior Técnico, 2006. 214p.). Os ajustes dos variogramas experimentais foram feitos com base na menor soma de quadrado dos resíduos (SQR) e no maior coeficiente de determinação (R2) (Isaaks & Srivastava, 1989 ISAAKS, E.H.; SRIVASTAVA, R.M. An introduction to applied geostatistics. Oxford: University Press, 1989. 592p.).
Na estimativa da KO, a dependência espacial dos teores de K foi quantificada por meio do variograma. O teor de K em um local não amostrado (x0) foi estimado com uso do estimador x0), definido como: (
em que x0) é o valor estimado de K no ponto 0; N é o número de valores utilizados na estimação; λi é o peso associado a cada valor observado; e z(xi) é o teor observado de K no ponto i (Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed. Lisboa: Instituto Superior Técnico, 2006. 214p.). (
A variância da KO (σ2), em locais não amostrados (x0), foi calculada por:
em que γ(x0, xi) é a semivariância entre o local a ser estimado x0 e o i-ésimo ponto amostrado; e µ é o parâmetro de Lagrange utilizado para minimizar a variância da KO (Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed. Lisboa: Instituto Superior Técnico, 2006. 214p.).
No procedimento da SSG, os dados devem ser transformados para que tenham distribuição normal padronizada (com média igual a 0 e variância igual a 1). A normalidade dessa transformação foi verificada por meio do teste de normalidade de Shapiro-Wilk, a 5% de probabilidade. O procedimento da SSG consiste em refinar a malha amostral e definir um caminho aleatório que permita que cada ponto a ser simulado seja visitado apenas uma vez. Para cada um desses pontos, a função de distribuição acumulada condicional (FDAC) gaussiana é determinada por meio do estimador da krigagem simples, com uso do variograma dos dados normalizados. Posteriormente, um valor normal padronizado é sorteado a partir da FDAC e adicionado ao conjunto de dados condicionais, que consiste nos pontos observados e nos previamente simulados dentro da vizinhança do ponto a ser simulado. Esse procedimento é repetido até que todos os pontos sejam simulados. Por fim, os dados normalizados são transformados para a escala original dos dados obtidos. Para gerar múltiplas realizações, essa sequência deve ser repetida com diferentes caminhos aleatórios, para cada realização (Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed. Lisboa: Instituto Superior Técnico, 2006. 214p.).
A SSI é baseada na abordagem sequencial, que inclui os dados observados e todos os valores previamente simulados dentro de uma vizinhança, e o estimador da krigagem indicatriz (KI) é usado para modelar as FDACs em cada ponto não amostrado. O procedimento consiste em transformar cada valor observado em um vetor de indicadores (0 ou 1), de acordo com os valores de corte zk, por meio da seguinte função indicadora: I(xα; zl) = 1, se z (xα≤ zl); e I(xα; zl) = 0, no caso contrário, com l=1, ..., L e α = 1, ..., n. Em seguida, os L variogramas indicadores são calculados e modelados, de acordo com os valores de corte zl.
No presente trabalho, foram utilizados quatro valores de corte (1,2, 1,7, 2,2 e 3,1 mmolc dm-3) que correspondem, respectivamente, aos percentis 0,2, 0,4, 0,6 e 0,8 da distribuição dos teores de K nas amostras. Assim, foram gerados novos conjuntos de dados compostos de valores 0 e 1, de acordo com a função indicadora. Um caminho aleatório, que passe por todos os pontos a serem simulados, é estabelecido ao se visitar cada ponto apenas uma vez. Dessa forma, para cada ponto a ser simulado ao longo do caminho, a FDAC inicial é determinada com o algoritmo da krigagem indicatriz, e quaisquer desvios de ordem entre os valores estimados (maiores que 1 ou menores que 0) são corrigidos para determinar a FDAC completa. O valor simulado é obtido a partir da FDAC para cada local e adicionado ao conjunto de variáveis indicadoras condicionantes (valores observados e previamente simulados), para modelar a FDAC da próxima localização ao longo do caminho aleatório (Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed. Lisboa: Instituto Superior Técnico, 2006. 214p.).
Para obter várias realizações, o processo sequencial é repetido com diferentes caminhos aleatórios. No presente trabalho, foram geradas 200 realizações, para cada método de simulação (SSG e SSI), tendo-se utilizado o programa WinGslib (Deutsch & Journel, 1998DEUTSCH, C.V.; JOURNEL, A.G. GSLIB: geostatistical software library and user's guide. New York: Oxford University, 1998. 369p.). Para representar o conjunto de 200 realizações e verificar a reprodução dos valores observados de K, foram sorteadas, aleatoriamente, as realizações 11, 60, 94 e 143.
A partir das realizações geradas com os algoritmos da SSG e da SSI, foram obtidas
diferentes medidas de estimativa e de incerteza. A média de todos os 200 mapas
simulados, calculada ponto a ponto, forneceu uma estimativa denominada E-type (Deutsch & Journel, 1998DEUTSCH, C.V.; JOURNEL, A.G. GSLIB: geostatistical software library and
user's guide. New York: Oxford University, 1998. 369p.). Da mesma forma, o
desvio-padrão de todos os mapas simulados, calculado ponto a ponto, forneceu o mapa
espacial de desvio, que foi utilizado para avaliar a incerteza local (Bourennane et al., 2007BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.;
RICHARD, G. Uncertainty assessment of soil water content spatial patterns using
geostatistical simulations: an empirical comparison of a simulation accounting for
single attribute and a simulation accounting for secondary information. Ecological
Modelling, v.205, p.323-335, 2007. DOI:
10.1016/j.ecolmodel.2007.02.034.
https://doi.org/10.1016/j.ecolmodel.2007...
). O mapa de desvio-padrão
representa a variação do teor de K nas n realizações simuladas (n = 200).
A incerteza espacial foi contabilizada por meio do cálculo da probabilidade conjunta
(Pc) (Teixeira et al., 2013TEIXEIRA, D.B.; BICALHO, E.S.; CERRI, C.E.P.;; PANOSSO, A.R.; PEREIRA,
G.T. LA SCALA, N.Quantification of uncertainties associated with space-time estimates
of short-term soil CO2 emissions in a sugar cane area. Agriculture, Ecosystems and
Environment, v.167, p.33-37 2013. DOI: 10.1016/j.agee.2013.01.004.
https://doi.org/10.1016/j.agee.2013.01.0...
; Oliveira et al., 2013OLIVEIRA, I.R. de; TEIXEIRA, D. De B.; PANOSSO, A.R.;; CAMARGO, L.A.;
MARQUES JÚNIOR, J. PEREIRA, G.T.Modelagem geoestatística das incertezas da
distribuição espacial do fósforo disponível no solo, em área de cana-de-açúcar.
Revista Brasileira de Ciência do Solo, v.37, p.1481-1491, 2013. DOI:
10.1590/S0100-06832013000600005.
https://doi.org/10.1590/S0100-0683201300...
). Previamente, calculou-se a
probabilidade de os valores estimados pontualmente excederem determinado limite crítico
(Delbari et al., 2009DELBARI, M.; AFRASIAB, P.; LOISKANDL, W. Using sequential Gaussian
simulation to assess the field-scale spatial uncertainty of soil water content.,
Catena v.79, p.163-169, 2009. DOI: 10.1016/j.catena.2009.08.001.
https://doi.org/10.1016/j.catena.2009.08...
; Zhao et al., 2009ZHAO, Y.; XU, X.; DARILEK, J.L.; HUANG, B.;; SUN, W. SHI, X.Spatial
variability assessment of soil nutrients in an intense agricultural area, a case
study of Rugao County in Yangtze River Delta Region, China. Environmental Geology,
v.57, p.1089-1102, 2009. DOI: 10.1007/s00254-008-1399-5.
https://doi.org/10.1007/s00254-008-1399-...
). O limite crítico adotado foi o valor da mediana
dos teores de K disponíveis. Em seguida, o cálculo da Pc foi efetuado. A Pc auxilia na
determinação da confiabilidade em delinear áreas com alta probabilidade de exceder
determinado valor crítico e, dessa forma, representa um indicativo da incerteza
espacial.
Para o cálculo da Pc, foram consideradas as áreas que apresentaram probabilidade maior
ou igual a 95% de excederem o limite crítico. O procedimento consiste na contabilização
do número de realizações em que todos os locais aparecem simultaneamente simulados acima
do valor crítico. Para mais detalhes, veja Juang et al.
(2004)JUANG, K.-W.; CHEN, Y.-S.; LEE, D.-Y. Using sequential indicator
simulation to assess the uncertainty of delineating heavy-metal contaminated soils.
Environmental Pollution, v.127, p.229-238, 2004. DOI:
10.1016/j.envpol.2003.07.001.
https://doi.org/10.1016/j.envpol.2003.07...
.
Utilizou-se a metodologia proposta por Deutsch (1997)DEUTSCH, C. Direct assessment of local accuracy and precision. In: BAAFI, E.Y.; SCHOFIELD, N.A. (Ed.). Geostatistics Wollongong '96. Dordrecht: Kluwer Academic, 1997. p.115-125. para examinar a acurácia na reprodução da FDAC dos dados amostrais, no conjunto de realizações da SSG e da SSI. Verificaram-se as proporções de valores dos dados do conjunto de validação que pertencem a intervalos de probabilidade (IP) simétricos, calculados a partir da FDAC F(u, z|(n)). Em qualquer localização u, o conhecimento da FDAC permite calcular uma série de IP simétricos limitados pelos quantis da FDAC (1 - p)/2 e (1 + p)/2. As frações de valores verdadeiros a que pertencem cada IP simétrico foram obtidas com a consideração dos dados de validação F(uj, z|(n)), j = 1,..., Nv = 63, por meio de:
O algoritmo de simulação usado para gerar as FDACs é considerado acurado quando Deutsch, 1997DEUTSCH, C. Direct assessment of local accuracy and precision. In: BAAFI, E.Y.; SCHOFIELD, N.A. (Ed.). Geostatistics Wollongong '96. Dordrecht: Kluwer Academic, 1997. p.115-125.): p. O gráfico de dispersão, denominado gráfico de acurácia, foi gerado a partir das frações calculadas vs. o conjunto de probabilidades p. A estatística G foi utilizada para mensurar, no gráfico de acurácia, o afastamento dos pontos em relação à linha de 45°, e foi numericamente calculada pela equação ( (p) ≥ p,
em que a(p) é igual a 1, se (p) ≥ p, e igual a 0, caso contrário. Considerou-se que valores de G iguais à unidade indicam máxima eficiência no ajuste do modelo, ou seja, (p) = p, [0,1]. p
Os valores dos dados de validação e os estimados, fornecidos pelos métodos de simulação,
foram utilizados para o cálculo da raiz do erro quadrático médio (REQM) (Bourennane et al., 2007BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.;
RICHARD, G. Uncertainty assessment of soil water content spatial patterns using
geostatistical simulations: an empirical comparison of a simulation accounting for
single attribute and a simulation accounting for secondary information. Ecological
Modelling, v.205, p.323-335, 2007. DOI:
10.1016/j.ecolmodel.2007.02.034.
https://doi.org/10.1016/j.ecolmodel.2007...
; Teixeira et al., 2012TEIXEIRA, D. De B.; BICALHO, E. da S.;; PANOSSO, A.R. PERILLO, L.I.;
IAMAGUTI, J.L.;; PEREIRA, G.T. LA SCALA, N. Uncertainties in the prediction of
spatial variability of soil CO2 emissions and related properties., Revista Brasileira
de Ciência do Solo v.36, p.1466-1475, 2012. DOI:
10.1590/S0100-06832012000500010.
https://doi.org/10.1590/S0100-0683201200...
), de acordo com a seguinte a equação:
em que n é o número de valores utilizados na validação, no presente trabalho n=63;
z(xi) é o valor da propriedade no ponto i; e xi) é o valor estimado da propriedade no ponto i.
Menores valores de REQM estão relacionados à maior acurácia nas predições (Chai et al., 2007CHAI, X.; HUANG, Y.; YUAN, X. Accuracy and uncertainty of spatial
patterns of soil organic matter. New Zealand Journal of Agricultural Research, v.50,
p.1141-1148, 2007. DOI: 10.1080/00288230709510396.
https://doi.org/10.1080/0028823070951039...
).
(
Resultados e Discussão
As estatísticas descritivas dos dados de validação foram próximas às dos dados amostrais
(Tabela 1), e não houve diferença
significativa entre os dois conjuntos de dados pelo teste t de Student, a 5% de
probabilidade. A média dos teores de K disponível observados (2,99 mmolc
dm-3) indica a presença de valores elevados, para a cultura da
cana-de-açúcar (Raij et al., 1997RAIJ, B. van; CANTARELLA, H. QUAGGIO, J.A; FURLANI, A.M.C. (Ed.).
Recomendações de adubação e calagem para o Estado de São Paulo. 2.ed. Campinas: IAC,
1997. 285p.). Marques Júnior et al. (2008)MARQUES JÚNIOR, J.; SOUZA, Z.M. de; PEREIRA, G.T.T.; BARBIERI, D.M.
Variabilidade espacial de matéria orgânica, P, K e CTC de um latossolo cultivado com
cana-de-açúcar por longo período. Revista de Biologia e Ciências da Terra, v.8,
p.143-152, 2008. e Souza et al. (2010)SOUZA, Z.M. de; CERRI, D.G.P.; COLET, M.J.; RODRIGUES, L.H.A.;
MAGALHÃES, P.S.G.; MANDONI, R.J.A. Análise dos atributos do solo e da produtividade
da cultura de cana-de-açúcar com o uso da geoestatística e árvore de decisão. Ciência
Rural, v.40, p.840-847, 2010. DOI: 10.1590/S0103-84782010005000048.
https://doi.org/10.1590/S0103-8478201000...
relataram, respectivamente, teores médios e
elevados de K em solos sob o cultivo da espécie. Embora a média dos teores de K esteja
bem próxima à faixa de alta fertilidade (3,1-6,0 mmolc dm-3), os
valores apresentaram grande amplitude (0,30-11,90 mmolc dm-3). O
coeficiente de variação (CV) de 66,96%, para os dados amostrais, indica alta
variabilidade, de acordo com a classificação de Warrick
& Nielsen (1980)WARRICK, A.W.; NIELSEN, D.R. Spatial variability of soil physical
properties in the field. In: HILLEL, D. (Ed.). Applications of soil physics. New
York: Academic, 1980. p.319-344. DOI:
10.1016/B978-0-12-348580-9.50018-3.
https://doi.org/10.1016/B978-0-12-348580...
, em que valores de CV>35% revelam heterogeneidade dos
dados e média pouco significativa. Portanto, a aplicação do fertilizante potássico, ao
se levar em consideração apenas o valor médio da propriedade, pode sub ou
superdimensionar as doses a serem aplicadas.
As estatísticas referentes às quatro realizações individuais da SSG e da SSI (Tabela 1) mantiveram os mesmos valores mínimos e
máximos dos dados amostrais. Nas realizações da SSG, os valores do CV e do desvio-padrão
foram mais próximos aos dos dados amostrais do que nas realizações da SSI. No
procedimento da KO, o CV foi aproximadamente 44% menor que o dos dados amostrais, o que
revela o efeito da minimização da variância. O estimador KO também apresentou valor
mínimo superestimado e valor máximo subestimado, em comparação aos dados originais, o
que confirma o efeito de suavização típico desse estimador. Esse cenário também foi
encontrado por Delbari et al. (2010)DELBARI, M.;LOISKANDL, W. AFRASIAB, P.Uncertainty assessment of soil
organic carbon content spatial distribution using geostatistical stochastic
simulation. Australian Journal of Soil Research, v.48, p.27-35, 2010. DOI:
10.1071/SR09026.
https://doi.org/10.1071/SR09026...
, ao analisar
as técnicas KO, SSG e SSI, para a modelagem da variabilidade espacial do carbono
orgânico do solo.
A média, o desvio-padrão e o CV da E-type de ambos os métodos de simulação apresentaram
valores próximos aos da KO, além de padrões espaciais semelhantes aos do mapa da KO.
Segundo Chilès & Delfiner (1999)CHILÈS, J.-P.; DELFINER, P. Geostatistics: modeling spatial uncertainty.
New York: Wiley, 1999. 695p. DOI: 10.1002/9780470316993.
https://doi.org/10.1002/9780470316993...
, a
semelhança entre os padrões espaciais dos mapas estimados pela KO e as realizações
E-type indicam que o procedimento de simulação foi realizado com número adequado de
realizações. A utilização de um número adequado de realizações garante a avaliação do
espaço de incertezas das estimativas em estudo (Goovaerts, 1999GOOVAERTS, P. Geostatistics in soil science: state-of-the-art and
perspectives., Geoderma v.89, p.1-45, 1999. DOI:
10.1016/S0016-7061(98)00078-0.
https://doi.org/10.1016/S0016-7061(98)00...
), uma vez que o conjunto de realizações forneceria um campo
probabilístico grande o suficiente para possibilitar a seleção de realizações aleatórias
que representassem o conjunto simulado.
A caracterização da estrutura da variabilidade espacial foi determinada com o ajuste de
modelos teóricos aos variogramas experimentais. Para a KO, utilizou-se a transformação
logarítmica dos dados para a correção da assimetria da distribuição (Tabela 1). A transformação logarítmica é
recomendada para conjuntos de valores com assimetria positiva maior que a unidade (Webster & Oliver, 2009WEBSTER, R.; OLIVER, M. A. Geostatistics for environmental scientists.
2nd ed. Oxford: Oxford University, 2009. 315p.). Kerry & Oliver (2007)KERRY, R.; OLIVER, M.A. Determining the effect of asymmetric data on the
variogram. I. Underlying asymmetry. Computers and Geosciences, v.33, p.1212-1232,
2007. DOI: 10.1016/j.cageo.2007.05.008.
https://doi.org/10.1016/j.cageo.2007.05....
afirmam que o efeito da assimetria é maior
quando os valores de assimetria são maiores que a unidade, principalmente quando
associados a pequenos números de amostras. Assim, a transformação dos dados objetivou a
correção da forma do variograma, o que aumentou a dependência espacial e reduziu o
efeito pepita o que, consequentemente, melhorou a precisão e a acurácia das estimativas.
A transformação normal dos dados originais dos teores de K foi realizada para atender a pré-requisito da SSG, o qual demanda que os dados avaliados devem apresentar distribuição normal ou muito próxima a ela.
O modelo esférico foi o que apresentou os melhores ajustes ao variograma dos dados
normalizados. De acordo com a classificação de Cambardella et al. (1994) 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, v.58, p.1501-1511, 1994.
DOI: 10.2136/sssaj1994.03615995005800050033x.
https://doi.org/10.2136/sssaj1994.036159...
, o grau de dependência espacial - GDE
(C0/(C0+C1)) - foi moderado, tanto para os dados com
transformação logarítmica quanto para aqueles com transformação normal. O modelo
esférico foi o que apresentou os melhores ajustes aos quatro variogramas indicadores. Os
variogramas dos percentis 0,20 e 0,40 apresentaram GDE fraco, enquanto os dos percentis
0,60 e 0,80 apresentaram GDE moderado.
As realizações individuais da SSG apresentaram menor variabilidade em pequena escala do
que as realizações da SSI (Figura 1). Zhao et al. (2005)ZHAO, Y.; SHI, X.; YU, D.; WANG, H.; SUN, W. Uncertainty assessment of
spatial patterns of soil organic carbon density using sequential indicator
simulation, a case study of Hebei province, China. Chemosphere, v.59, p.1527-1535,
2005. DOI: 10.1016/j.chemosphere.2005.01.002.
https://doi.org/10.1016/j.chemosphere.20...
relataram realizações da SSI com
semelhantes padrões de variabilidade para valores extremos de carbono orgânico. Os
padrões espaciais das simulações individuais geradas por ambos os métodos apresentam
maior variabilidade com teores altos e intermediários de K.
Mapas dos teores estimados de K nas realizações sorteadas 11, 60, 94 e 143, para as simulações sequencial gaussiana (SSG) e sequencial indicatriz (SSI).
O histograma e o variograma dos dados amostrais não foram reproduzidos pelos gerados
pela KO (Figura 2). O estimador KO subestimou a
variabilidade em pequena escala, representada no variograma com menor efeito pepita.
Esse mesmo cenário foi constatado por Delbari et al.
(2010)DELBARI, M.;LOISKANDL, W. AFRASIAB, P.Uncertainty assessment of soil
organic carbon content spatial distribution using geostatistical stochastic
simulation. Australian Journal of Soil Research, v.48, p.27-35, 2010. DOI:
10.1071/SR09026.
https://doi.org/10.1071/SR09026...
e está fortemente relacionado à característica de suavização do método
da KO. As realizações individuais da SSG reproduziram melhor o variograma e o histograma
dos dados amostrais que a KO, resultado similar ao observado por Bourennane et al. (2010)BOURENNANE, H.; DOUAY, F.; STERCKEMAN, T.; VILLANNEAU, E.; CIESIELSKI,
H.; KING, D.; BAIZE, D. Mapping of anthropogenic trace elements inputs in
agricultural topsoil from Northern France using enrichment factors. Geoderma, v.157,
p.165-174, 2010. DOI: 10.1016/j.geoderma.2010.04.009.
https://doi.org/10.1016/j.geoderma.2010....
. Já a SSI reproduz apenas os modelos dos
variogramas indicadores. A reprodução dos variogramas correspondentes aos quantis 0,20,
0,40, 0,60 e 0,80 da distribuição dos teores de K nas realizações está descrita na Figura 3. A SSI reproduziu melhor a continuidade
espacial em médias e grandes escalas, enquanto os variogramas das realizações sorteadas
da SSG reproduziram melhor a variabilidade espacial em pequenas escalas.
Variogramas padronizados e histogramas dos teores de K para os dados amostrais, nas realizações sorteadas da simulação sequencial gaussiana (SSG) 11, 60, 94 e 143, e na krigagem ordinária.
Variogramas indicadores padronizados dos teores de K, para os valores de corte e as realizações sorteadas da simulação sequencial indicatriz 11, 60, 94 e 143.
Os mapas E-type, gerados a partir da SSI e da SSG (Figura
4), foram semelhantes ao mapa gerado a partir da KO. No entanto, as
estimativas E-type das simulações preservaram a variação (mínimo e máximo) dos dados
amostrais (Tabela 1). Outros trabalhos com KO e
SSI (Juang et al., 2004JUANG, K.-W.; CHEN, Y.-S.; LEE, D.-Y. Using sequential indicator
simulation to assess the uncertainty of delineating heavy-metal contaminated soils.
Environmental Pollution, v.127, p.229-238, 2004. DOI:
10.1016/j.envpol.2003.07.001.
https://doi.org/10.1016/j.envpol.2003.07...
; Zhao et al., 2009ZHAO, Y.; XU, X.; DARILEK, J.L.; HUANG, B.;; SUN, W. SHI, X.Spatial
variability assessment of soil nutrients in an intense agricultural area, a case
study of Rugao County in Yangtze River Delta Region, China. Environmental Geology,
v.57, p.1089-1102, 2009. DOI: 10.1007/s00254-008-1399-5.
https://doi.org/10.1007/s00254-008-1399-...
), bem como com KO e SSG (Bourennane et al., 2007BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.;
RICHARD, G. Uncertainty assessment of soil water content spatial patterns using
geostatistical simulations: an empirical comparison of a simulation accounting for
single attribute and a simulation accounting for secondary information. Ecological
Modelling, v.205, p.323-335, 2007. DOI:
10.1016/j.ecolmodel.2007.02.034.
https://doi.org/10.1016/j.ecolmodel.2007...
; Goovaerts
et al., 2008GOOVAERTS, P.; TRINH, H.T.; DEMOND, A.H.; TOWEY, T.; CHANG, S.-C.;
GWINN, D.; HONG, B.; FRANZBLAU, A.; GARABRANT, D.; GILLESPIE, B.W.; LEPKOWSKI, J.;
ADRIAENS, P. Geostatistical modeling of the spatial distribution of soil dioxin in
the vicinity of an incinerator. 2. Verification and calibration study. Environmental
Science and Technology v.42, p.3655-3661, 2008. DOI:
10.1021/es7024966.
https://doi.org/10.1021/es7024966....
), apresentaram resultados semelhantes. Essa característica dos
mapas E-type indica grande potencial prático para a definição de zonas homogêneas, para
manejo específico. A identificação dessas zonas por meio das realizações individuais da
SSG pode dificultar o entendimento do usuário e a aplicação da técnica, uma vez que
inúmeros mapas igualmente prováveis são produzidos, ao invés de um único mapa com
variância mínima (Soares, 2006SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed.
Lisboa: Instituto Superior Técnico, 2006. 214p.). Outro fator que
pode inviabilizar a utilização das realizações é o alto grau de detalhamento reproduzido
pela SSG, já que as máquinas e os implementos disponíveis para aplicações em taxas
variáveis não contemplam essa alta erraticidade dos padrões estimados por essa
simulação.
Estimativa E-type das simulações sequencial gaussiana (SSG) e sequencial indicatriz (SSI), e da krigagem ordinária (KO) dos teores de K.
Os mapas de desvios gerados por ambos os algoritmos de simulação mostram alta incerteza espacial na parte sudoeste da área de estudo (Figura 5), local em que os maiores teores de K foram obtidos. Entretanto, no mapa de desvios da SSI, as áreas com alta incerteza foram maiores que aquelas indicadas pela SSG. A identificação e a delimitação dessas localidades favorecem o planejamento amostral da área, e essas áreas devem ser amostradas mais detalhadamente para diminuição das incertezas e, consequentemente, para melhor captação da real variabilidade do nutriente no solo.
Mapas do desvio-padrão dos teores de K obtidos por: A, simulação sequencial gaussiana; B, simulação sequencial indicatriz; e krigagem ordinária.
Os desvios-padrão locais associados às estimativas da KO apresentaram menor variação, ao
longo da área de estudo (Figura 5). Esse resultado
se deve ao fato de o desvio-padrão da KO ser independente do valor real da amostra. Essa
relação foi confirmada por meio da representação gráfica do diagrama de dispersão da
E-type vs. desvio-padrão (Figura 6). Bourennane et al. (2007)BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.;
RICHARD, G. Uncertainty assessment of soil water content spatial patterns using
geostatistical simulations: an empirical comparison of a simulation accounting for
single attribute and a simulation accounting for secondary information. Ecological
Modelling, v.205, p.323-335, 2007. DOI:
10.1016/j.ecolmodel.2007.02.034.
https://doi.org/10.1016/j.ecolmodel.2007...
e Delbari et al. (2009DELBARI, M.; AFRASIAB, P.; LOISKANDL, W. Using sequential Gaussian
simulation to assess the field-scale spatial uncertainty of soil water content.,
Catena v.79, p.163-169, 2009. DOI: 10.1016/j.catena.2009.08.001.
https://doi.org/10.1016/j.catena.2009.08...
) obtiveram resultado similar para estimativas
do conteúdo de água do solo.
Nos algoritmos de simulação, os valores médios de K apresentaram evidente relação com os desvios-padrão locais (Figura 6). Assim, valores pequenos a intermediários das médias locais de K (<3 mmolc dm-3) apresentam baixa incerteza local (<1,5 mmolc dm-3). Esses resultados destacam a necessidade da avaliação precisa da incerteza associada aos métodos de interpolação. Essas informações devem ser incorporadas aos processos de tomada de decisão, o que permitiria o estabelecimento preciso de áreas para fins de manejo específico.
Gráfico de dispersão do desvio-padrão vs. média local dos teores de K obtidos por meio de: A, simulação sequencial gaussiana; B, simulação sequencial indicatriz; e C, krigagem ordinária.
A análise visual e comparativa dos mapas das realizações selecionadas (Figura 1) é o primeiro indicativo da incerteza
espacial do atributo avaliado (Teixeira et al.,
2013TEIXEIRA, D.B.; BICALHO, E.S.; CERRI, C.E.P.;; PANOSSO, A.R.; PEREIRA,
G.T. LA SCALA, N.Quantification of uncertainties associated with space-time estimates
of short-term soil CO2 emissions in a sugar cane area. Agriculture, Ecosystems and
Environment, v.167, p.33-37 2013. DOI: 10.1016/j.agee.2013.01.004.
https://doi.org/10.1016/j.agee.2013.01.0...
). No entanto, apenas com o cálculo da Pc já é possível quantificar essa
incerteza (Juang et al., 2004JUANG, K.-W.; CHEN, Y.-S.; LEE, D.-Y. Using sequential indicator
simulation to assess the uncertainty of delineating heavy-metal contaminated soils.
Environmental Pollution, v.127, p.229-238, 2004. DOI:
10.1016/j.envpol.2003.07.001.
https://doi.org/10.1016/j.envpol.2003.07...
). No presente
trabalho, o limite de corte adotado foi o valor da mediana dos teores de K (1,9
mmolc dm-3) e, em ambas as simulações, 3,5% da área total
apresentaram probabilidade superior a 95% de excederem o valor de 1,9 mmolc
dm-3. Contudo, em apenas 66,7% (SSI) e 60,3% (SSG) das 200 realizações
individuais, a totalidade dos pontos pertencentes àquela área foi simulada conjuntamente
com valores acima do limite crítico adotado. Assim, de acordo com os valores da Pc,
pode-se afirmar que as estimativas realizadas pela SSI apresentam menor incerteza
espacial do que as realizadas pela SSG.
A análise visual da Figura 7 mostra que, para o
algoritmo da SSG, os desvios dos pontos em relação à reta 1:1 foram maiores do que para
o algoritmo da SSI. A SSG apresentou menor valor de G (0,68) do que o calculado a partir
da SSI (0,88), indício de que o desempenho por parte da SSI foi 22% mais acurado, na
modelagem da FDAC dos teores de K. Delbari et al.
(2010)DELBARI, M.;LOISKANDL, W. AFRASIAB, P.Uncertainty assessment of soil
organic carbon content spatial distribution using geostatistical stochastic
simulation. Australian Journal of Soil Research, v.48, p.27-35, 2010. DOI:
10.1071/SR09026.
https://doi.org/10.1071/SR09026...
relataram resultados semelhantes.
Gráfico de acurácia e estatística G para: A, simulação sequencial gaussiana; e B, simulação sequencial indicatriz dos teores de K.
O valor do REQM, calculado a partir dos dados amostrais (63 pontos) e das 200 realizações obtidas de cada método de simulação (SSG e SSI), foi maior para a SSG (2,45) do que para a SSI (1,58), o que evidencia que a modelagem dos teores de K por meio da SSI foi 35% mais acurada do que a por meio da SSG.
Conclusões
-
A simulação sequencial gaussiana (SSG) e a simulação sequencial indicatriz (SSI) apresentam maior eficiência do que a krigagem ordinária, na modelagem da incerteza da distribuição espacial dos teores de K disponível em área cultivada com cana-de-açúcar.
-
A SSI apresenta melhor desempenho que a SSG, na estimativa dos teores de K disponível.
Agradecimentos
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes), pelo apoio financeiro e pela concessão de bolsas.
- BENITES, V. de M.; CARVALHO, M. da C.S.; RESENDE, A.V.; POLIDORO, J.C.; BERNARDI, A.C.C.; OLIVEIRA, F.A. de. Potássio, cálcio e magnésio. In: SIMPÓSIO SOBRE BOAS PRÁTICAS PARA USO EFICIENTE DE FERTILIZANTES, 2009, Piracicaba. Boas práticas para uso eficiente de fertilizantes: anais. Piracicaba: IPNI, 2010. v.2, p.134-203.
- BOURENNANE, H.; DOUAY, F.; STERCKEMAN, T.; VILLANNEAU, E.; CIESIELSKI, H.; KING, D.; BAIZE, D. Mapping of anthropogenic trace elements inputs in agricultural topsoil from Northern France using enrichment factors. Geoderma, v.157, p.165-174, 2010. DOI: 10.1016/j.geoderma.2010.04.009.
» https://doi.org/10.1016/j.geoderma.2010.04.009. - BOURENNANE, H.; KING, D. COUTURIER, A.; NICOULLAUD, B.; MARY, B.; RICHARD, G. Uncertainty assessment of soil water content spatial patterns using geostatistical simulations: an empirical comparison of a simulation accounting for single attribute and a simulation accounting for secondary information. Ecological Modelling, v.205, p.323-335, 2007. DOI: 10.1016/j.ecolmodel.2007.02.034.
» https://doi.org/10.1016/j.ecolmodel.2007.02.034 - CAMARGO, L.A.; MARQUES JÚNIOR, J.; PEREIRA, G.T.; ALLEONI, L.R.F. Spatial correlation between the composition of the clay fraction and contents of available phosphorus of an Oxisol at hillslope scale. Catena, v.100, p.100-106, 2013. DOI: 10.1016/j.catena.2012.07.016
» https://doi.org/10.1016/j.catena.2012.07.016 - 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, v.58, p.1501-1511, 1994. DOI: 10.2136/sssaj1994.03615995005800050033x.
» https://doi.org/10.2136/sssaj1994.03615995005800050033x - CHAI, X.; HUANG, Y.; YUAN, X. Accuracy and uncertainty of spatial patterns of soil organic matter. New Zealand Journal of Agricultural Research, v.50, p.1141-1148, 2007. DOI: 10.1080/00288230709510396.
» https://doi.org/10.1080/00288230709510396 - CHILÈS, J.-P.; DELFINER, P. Geostatistics: modeling spatial uncertainty. New York: Wiley, 1999. 695p. DOI: 10.1002/9780470316993.
» https://doi.org/10.1002/9780470316993 - COMPANHIA NACIONAL DE ABASTECIMENTO. Acompanhamento de safra brasileira - cana-de-açúcar - safra 2013/14 - quarto levantamento - abril/2014. Disponível em: <http://www.conab.gov.br/OlalaCMS/uploads/arquivos/14_04_10_09_00_57_boletim_cana_portugues_-_4o_lev_-_13.pdf>. Acesso em: 4 ago. 2014.
» http://www.conab.gov.br/OlalaCMS/uploads/arquivos/14_04_10_09_00_57_boletim_cana_portugues_-_4o_lev_-_13.pdf - DELBARI, M.; AFRASIAB, P.; LOISKANDL, W. Using sequential Gaussian simulation to assess the field-scale spatial uncertainty of soil water content., Catena v.79, p.163-169, 2009. DOI: 10.1016/j.catena.2009.08.001.
» https://doi.org/10.1016/j.catena.2009.08.001 - DELBARI, M.;LOISKANDL, W. AFRASIAB, P.Uncertainty assessment of soil organic carbon content spatial distribution using geostatistical stochastic simulation. Australian Journal of Soil Research, v.48, p.27-35, 2010. DOI: 10.1071/SR09026.
» https://doi.org/10.1071/SR09026 - DEUTSCH, C. Direct assessment of local accuracy and precision. In: BAAFI, E.Y.; SCHOFIELD, N.A. (Ed.). Geostatistics Wollongong '96. Dordrecht: Kluwer Academic, 1997. p.115-125.
- DEUTSCH, C.V.; JOURNEL, A.G. GSLIB: geostatistical software library and user's guide. New York: Oxford University, 1998. 369p.
- GOOVAERTS, P. Geostatistics in soil science: state-of-the-art and perspectives., Geoderma v.89, p.1-45, 1999. DOI: 10.1016/S0016-7061(98)00078-0.
» https://doi.org/10.1016/S0016-7061(98)00078-0 - GOOVAERTS, P.; TRINH, H.T.; DEMOND, A.H.; TOWEY, T.; CHANG, S.-C.; GWINN, D.; HONG, B.; FRANZBLAU, A.; GARABRANT, D.; GILLESPIE, B.W.; LEPKOWSKI, J.; ADRIAENS, P. Geostatistical modeling of the spatial distribution of soil dioxin in the vicinity of an incinerator. 2. Verification and calibration study. Environmental Science and Technology v.42, p.3655-3661, 2008. DOI: 10.1021/es7024966.
» https://doi.org/10.1021/es7024966. - ISAAKS, E.H.; SRIVASTAVA, R.M. An introduction to applied geostatistics. Oxford: University Press, 1989. 592p.
- JUANG, K.-W.; CHEN, Y.-S.; LEE, D.-Y. Using sequential indicator simulation to assess the uncertainty of delineating heavy-metal contaminated soils. Environmental Pollution, v.127, p.229-238, 2004. DOI: 10.1016/j.envpol.2003.07.001.
» https://doi.org/10.1016/j.envpol.2003.07.001 - KERRY, R.; OLIVER, M.A. Determining the effect of asymmetric data on the variogram. I. Underlying asymmetry. Computers and Geosciences, v.33, p.1212-1232, 2007. DOI: 10.1016/j.cageo.2007.05.008.
» https://doi.org/10.1016/j.cageo.2007.05.008 - MARQUES JÚNIOR, J.; SOUZA, Z.M. de; PEREIRA, G.T.T.; BARBIERI, D.M. Variabilidade espacial de matéria orgânica, P, K e CTC de um latossolo cultivado com cana-de-açúcar por longo período. Revista de Biologia e Ciências da Terra, v.8, p.143-152, 2008.
- OLIVEIRA, I.R. de; TEIXEIRA, D. De B.; PANOSSO, A.R.;; CAMARGO, L.A.; MARQUES JÚNIOR, J. PEREIRA, G.T.Modelagem geoestatística das incertezas da distribuição espacial do fósforo disponível no solo, em área de cana-de-açúcar. Revista Brasileira de Ciência do Solo, v.37, p.1481-1491, 2013. DOI: 10.1590/S0100-06832013000600005.
» https://doi.org/10.1590/S0100-06832013000600005 - OTTO, R.; VITTI, G.C.; LUZ, P.H. de C. Manejo da adubação potássica na cultura da cana-de-açúcar., Revista Brasileira de Ciência do Solo v.34, p.1137-1145, 2010. DOI: 10.1590/S0100-06832010000400013.
» https://doi.org/10.1590/S0100-06832010000400013 - R DEVELOPMENT CORE TEAM. R: a language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, 2012.
- RAIJ, B. van; ANDRADE, J.C. de; CANTARELLA, H.; QUAGGIO, J.A. (Ed.). Análise química para avaliação da fertilidade de solos tropicais. Campinas: Instituto Agronômico, 2001. 285p.
- RAIJ, B. van; CANTARELLA, H. QUAGGIO, J.A; FURLANI, A.M.C. (Ed.). Recomendações de adubação e calagem para o Estado de São Paulo. 2.ed. Campinas: IAC, 1997. 285p.
- SANCHEZ, R.B.;; MARQUES JÚNIOR, J.; SOUZA, Z.M. de; PEREIRA, G.T. MARTINS FILHO, M.V. Variabilidade espacial de atributos do solo e de fatores de erosão em diferentes pedoformas. Bragantia, v.68, p.1095-1103, 2009. DOI: 10.1590/S0006-87052009000400030.
» https://doi.org/10.1590/S0006-87052009000400030 - SANTOS, H.G. dos; JACOMINE, P.K.T.; ANJOS, L.H.C. dos; OLIVEIRA, V.A. de; LUMBRERAS, J.F.; COELHO, M.R.; ALMEIDA, J.A. de; CUNHA, T.J.F.; OLIVEIRA, J.B. de. Sistema brasileiro de classificação de solos. 3.ed. rev. e ampl. Brasília: Embrapa, 2013. 353p.
- SILVA JUNIOR, J.F. da;; MARQUES JÚNIOR, J.; CAMARGO, L.A.; TEIXEIRA, D. De B.; PANOSSO, A.R. PEREIRA, G.T.Simulação geoestatística na caracterização espacial de óxidos de ferro em diferentes pedoformas., Revista Brasileira de Ciência do Solo v.36, p.1395-1406, 2012. DOI: 10.1590/S0100-06832012000600003.
» https://doi.org/10.1590/S0100-06832012000600003 - SOARES, A. Geoestatística para ciências da terra e do ambiente. 2.ed. Lisboa: Instituto Superior Técnico, 2006. 214p.
- SOUZA, Z.M. de; CERRI, D.G.P.; COLET, M.J.; RODRIGUES, L.H.A.; MAGALHÃES, P.S.G.; MANDONI, R.J.A. Análise dos atributos do solo e da produtividade da cultura de cana-de-açúcar com o uso da geoestatística e árvore de decisão. Ciência Rural, v.40, p.840-847, 2010. DOI: 10.1590/S0103-84782010005000048.
» https://doi.org/10.1590/S0103-84782010005000048 - SUN, X.-L.; WU, S.-C.; WANG, H.-L.; ZHAO, Y.;; ZHAO, Y. ZHANG, G.; MAN, Y.B.; WONG, M.H. Uncertainty analysis for the evaluation of agricultural soil quality based on digital soil maps., Soil Science Society of America Journal v.76, p.1379-1389, 2012. DOI: 10.2136/sssaj2011.0426.
» https://doi.org/10.2136/sssaj2011.0426 - TEIXEIRA, D. De B.; BICALHO, E. da S.;; PANOSSO, A.R. PERILLO, L.I.; IAMAGUTI, J.L.;; PEREIRA, G.T. LA SCALA, N. Uncertainties in the prediction of spatial variability of soil CO2 emissions and related properties., Revista Brasileira de Ciência do Solo v.36, p.1466-1475, 2012. DOI: 10.1590/S0100-06832012000500010.
» https://doi.org/10.1590/S0100-06832012000500010 - TEIXEIRA, D.B.; BICALHO, E.S.; CERRI, C.E.P.;; PANOSSO, A.R.; PEREIRA, G.T. LA SCALA, N.Quantification of uncertainties associated with space-time estimates of short-term soil CO2 emissions in a sugar cane area. Agriculture, Ecosystems and Environment, v.167, p.33-37 2013. DOI: 10.1016/j.agee.2013.01.004.
» https://doi.org/10.1016/j.agee.2013.01.004 - WARRICK, A.W.; NIELSEN, D.R. Spatial variability of soil physical properties in the field. In: HILLEL, D. (Ed.). Applications of soil physics. New York: Academic, 1980. p.319-344. DOI: 10.1016/B978-0-12-348580-9.50018-3.
» https://doi.org/10.1016/B978-0-12-348580-9.50018-3 - WEBSTER, R.; OLIVER, M. A. Geostatistics for environmental scientists. 2nd ed. Oxford: Oxford University, 2009. 315p.
- ZHAO, Y.; SHI, X.; YU, D.; WANG, H.; SUN, W. Uncertainty assessment of spatial patterns of soil organic carbon density using sequential indicator simulation, a case study of Hebei province, China. Chemosphere, v.59, p.1527-1535, 2005. DOI: 10.1016/j.chemosphere.2005.01.002.
» https://doi.org/10.1016/j.chemosphere.2005.01.002 - ZHAO, Y.; XU, X.; DARILEK, J.L.; HUANG, B.;; SUN, W. SHI, X.Spatial variability assessment of soil nutrients in an intense agricultural area, a case study of Rugao County in Yangtze River Delta Region, China. Environmental Geology, v.57, p.1089-1102, 2009. DOI: 10.1007/s00254-008-1399-5.
» https://doi.org/10.1007/s00254-008-1399-5
Datas de Publicação
-
Publicação nesta coleção
Set 2014
Histórico
-
Recebido
03 Dez 2014 -
Aceito
25 Ago 2014