correlaÇÃo do Índice de vegetaÇÃo por diferenÇa...

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

CAMPUS LONDRINA

CURSO DE ENGENHARIA AMBIENTAL

JESSICA TIOSSI NAKA

CORRELAÇÃO DO ÍNDICE DE VEGETAÇÃO POR DIFERENÇA

NORMALIZADA COM PARÂMETROS QUÍMICOS DO SOLO PARA

APLICAÇÕES EM AGRICULTURA DE PRECISÃO

TRABALHO DE CONCLUSÃO DE CURSO

LONDRINA

2019

JESSICA TIOSSI NAKA

CORRELAÇÃO DO ÍNDICE DE VEGETAÇÃO POR DIFERENÇA

NORMALIZADA COM PARÂMETROS QUÍMICOS DO SOLO PARA

APLICAÇÕES EM AGRICULTURA DE PRECISÃO

Trabalho de Conclusão de Curso apresentado

ao Curso Superior de Engenharia Ambiental da

Universidade Tecnológica Federal do Paraná,

Câmpus Londrina, como requisito parcial para

obtenção do título de bacharel em Engenharia

Ambiental.

Orientador: Prof. Dr. Marcelo Hidemassa Anami

Co-orientador: Prof. Dra. Ligia Flávia A. Batista

LONDRINA

2019

Ministério da EducaçãoUniversidade Tecnológica Federal do

ParanáCampus Londrina

Coordenação de Engenharia Ambiental

TERMO DE APROVAÇÃO

Correlação do índice de vegetação por diferença normalizada comparâmetros químicos do solo para aplicações em agricultura de precisão

por

Jessica Tiossi Naka

Trabalho de Conclusão de Curso apresentado no dia 03 de dezembro de 2019 aoCurso Superior de Engenharia Ambiental da Universidade Tecnológica Federal doParaná, Campus Londrina. O candidato foi arguido pela Banca Examinadoracomposta pelos professores abaixo assinados. Após deliberação, a BancaExaminadora considerou o trabalho_____________________________________________________________(aprovado, aprovado com restrições ou reprovado).

____________________________________Prof. Dr. Roger Nabeyama Michels

(UTFPR)

____________________________________Prof. Dra. Ligia Flávia Antunes Batista

(UTFPR)

____________________________________Prof. Dr. Marcelo Hidemassa Anami

(UTFPR)Orientador

__________________________________Profa. Dra. Edilaine Regina Pereira

Responsável pelo TCC do Curso de Eng. Ambiental

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁPR

AGRADECIMENTOS

Gostaria de agradecer meus pais, Solemar dos Santos Tiossi e Janilton

Kameo Naka, que sempre me apoiaram e tornaram minha graduação possível; meu

irmão, Rogério, que é meu porto seguro; minha família, que sempre foi muito

acolhedora; meus amigos, Pecho, Raul, Charlito, Miguen, Line, Gley, Pexo, Gi e Ju,

que mesmo longe, me deram força para continuar, principalmente nos momentos

mais difíceis; meus amigos, Dioni, Thiago, Lete, Nal, Gabi, Bia, Cris e demais

amizades que fiz ao longo dessa jornada na UTFPR, que tornaram meus dias na

graduação mais alegres e os desafios menos assustadores; minhas amigas Andréia

e Duda, que além de boas companhias, foram de grande ajuda no laboratório de

solos; meus orientadores, Marcelo Hidemassa Anami e Ligia Flávia Antunes Batista,

pela oportunidade, apoio e compreensão; e aos professores Janksyn Bertozzi, que

cedeu sua propriedade para a realização desse estudo e ajudou na coleta das

amostras; e Roger Nabeyama Michels, que aceitou fazer parte da banca

examinadora e contribuiu para o desenvolvimento deste trabalho.

RESUMO

A partir da agricultura são produzidos alimentos e matérias-primas utilizadas pelasindústrias, comércios e outros serviços, por isso ela desempenha um papelfundamental para a economia global. A agricultura de precisão (AP) proporcionainúmeros benefícios potenciais em sustentabilidade devido a possibilidade de aplicarinsumos em taxas variáveis, evitando que aplicações em excesso contaminem osolo, a atmosfera ou as águas subterrâneas através de processos como erosão,lixiviação ou evaporação. Também proporciona benefícios como rentabilidade,produtividade, qualidade da cultura, proteção ambiental, qualidade de vida edesenvolvimento econômico rural, utilizando técnicas modernas e científicas, aliadascom conhecimentos tradicionais e tecnologias de informação para um manejoagrícola inteligente. Nesse sentido, técnicas de sensoriamento remoto, como oÍndice de Vegetação por Diferença Normalizada (NDVI), em que informações dacultura podem ser obtidas de forma rápida e à distância, tem se tornado defundamental importância para a obtenção dos dados de campo e um manejo maiseficiente da agricultura de precisão. Assim, este trabalho traz uma análise dosatributos químicos do solo, a fim de encontrar uma correlação entre eles e os valoresobtidos de NDVI. Para isso, foram realizadas coletas de amostras de solo de umapropriedade voltada para o cultivo de soja e milho, localizada no município de Assaí,estado do Paraná. As coletas foram realizadas em agosto de 2019, comdistanciamento de 5 m entre cada amostra, então elas foram encaminhadas aolaboratório para a análise dos parâmetros pH, P, K, Ca + Mg, SB, M.O., CTC, V% eH + Al. O cálculo do NDVI foi realizado em ambiente SIG, feito no software QGis3.6.0, utilizando imagem do sensor Sentinel 2 obtida do dia 29 de março de 2019,período de início da cultura de milho. Os dados foram analisados pela estatísticadescritiva, pela geoestatística e plotados em gráficos, a fim de avaliar o coeficientede determinação (R²) e o coeficiente de correlação linear de Pearson (r). Na análiseda estatística descritiva, quase todos os coeficientes de variação (CV) dosparâmetros foram classificados como médio, com exceção do pH, classificado comoCV baixo, e o P, classificado como CV alto. Na análise geoestatística, todos osatributos do solo apresentaram dependência espacial, sendo quase todosclassificados com forte grau de dependência, com exceção do H + Al, classificadocom moderado grau de dependência. Os modelos de todos os parâmetrospossuíram bom ajuste, apresentando coeficiente de determinação (R²) maior do que0,7. Os parâmetros P, K, Ca + Mg, M.O. e pH apresentaram coeficiente decorrelação linear de Pearson (r) positivos, indicando que são diretamenteproporcionais aos valores de NDVI, enquanto o parâmetro H + Al apresentou rnegativo, indicando que é inversamente proporcional aos valores de NDVI. Sendoassim, foi possível correlacionar os valores dos atributos do solo com os valoresobtidos de NDVI, atingindo o objetivo deste trabalho.

Palavras-chave: geoprocessamento, ndvi, estatística descritiva, geoestatística,coeficiente de determinação, correlação de Pearson.

ABSTRACT

From agriculture are produced food and raw materials used by industries, trades andother services, so it plays an essential role in the global economy. Precisionagriculture (PA) provides numerous potential sustainability benefits through the abilityto apply inputs at varying rates, preventing excess applications from contaminatingthe soil, atmosphere or groundwater through processes such as erosion, leaching orevaporation. It also provides benefits such as sustainability, profitability, productivity,crop quality, environmental protection, quality of life and rural economicdevelopment, using modern and scientific techniques, combined with traditionalknowledge and information technologies for intelligent agriculture management. Inthis sense, remote sensing techniques, such as the Normalized DifferenceVegetation Index (NDVI), in which crop information can be obtained quickly andremotely, has become of fundamental importance for obtaining field data and a moreefficient management of precision agriculture. Thus, this work provides an analysis ofthe soil chemical properties in order to find a correlation between them and thevalues obtained from NDVI. For this purpose, soil samples were collected from aproperty dedicated to the soybean and corn production, located in the city of Assaí,state of Paraná. The samples were collected in august 2019, with a 5 m distancebetween each sample, so they were sent to the laboratory to measure the followingchemical properties: pH, P, K, Ca + Mg, SB, MO, CTC, V% and H + Al. Thecalculation of the NDVI was performed using QGis 3.6.0 software and Sentinel 2images from March 29, 2019, beginning of the corn crop season. The data wereanalyzed using descriptive statistics, geostatistics and plotted in graphs in order toevaluate the coefficient of determination (R²) and Pearson's correlation coefficient (r).In the descriptive statistics, almost all coefficients of variation (CV) were classified asmedium, with the exception of the pH, that was classified as low CV, and P, that wasclassified as high CV. In geostatistical analysis, all soil attributes presented spatialdependence, and almost all where classified as highly dependent, with the exceptionof H + Al, classified as moderately dependent. The models of all parameters werewell adjusted, with a coefficient of determination (R²) higher than 0.7. Parameters P,K, Ca + Mg, M.O. and pH showed positive Pearson’s correlation coefficient (r),indicating that they are directly proportional to NDVI values, while parameter H + Alshowed negative r, indicating that it is inversely proportional to NDVI values. Thus, itwas possible to correlate the values of the soil attributes with the values obtainedfrom NDVI, reaching the objective of this study.

Key-words: ndvi, descriptive statistics, geostatistics, coefficient of determination,Pearson correlation coefficientt.

LISTA DE FIGURAS

Figura 1 – Obtenção de imagem de sensoriamento remoto......................................17Figura 2 – Níveis de coleta de dados de sensoriamento remoto...............................18Figura 3 – Espectro eletromagnético..........................................................................18Figura 4 – Comportamento espectral de alvos...........................................................19Figura 5 – Curva de reflectância típica de uma folha verde.......................................22Figura 6 – Exemplo de semivariograma típico............................................................25Figura 7 – Exemplo de mapa de krigagem.................................................................25Figura 8 – Mapa de localização da área de estudo....................................................26Figura 9 – Mapa de solos (Pedologia)........................................................................27Figura 10 – Carta imagem do Sentinel 2....................................................................28Figura 11 – Mapa de NDVI na data de 29 de março de 2019....................................29Figura 12 – Mapa dos pontos amostrados.................................................................30Figura 13 – Mapa dos pontos amostrados e NDVI.....................................................33Figura 14 – Análise temporal do ciclo da soja e início do cultivo de milho.................34Figura 15 – Comportamento do NDVI ao longo do ciclo da soja e início do cultivo de milho............................................................................................................................35Figura 16 – Mapa de curvas de nível..........................................................................38Figura 17 – Semivariogramas dos atributos do solo analisados e do NDVI..............41Figura 18 – Coeficientes de determinação (R²)..........................................................42Figura 19 – Mapa dos pontos utilizados na construção do mapa de regressão linear para os atributos do solo pH, H + Al, P, K, Ca + Mg e M.O........................................45

LISTA DE TABELAS

Tabela 1 – Resolução espacial e espectral Sentinel-2...............................................21Tabela 2 – Estatística descritiva da fertilidade do solo...............................................36Tabela 3 – Análise semivariográfica da fertilidade do solo e do NDVI.......................39Tabela 4 - coeficientes de determinação (R²) e coeficientes de correlação linear de Pearson (r)...................................................................................................................42

LISTA DE ABREVIATURAS E SIGLAS

AP Agricultura de precisão

Al Alumínio

As Assimetria

B Boro

C Curtose

Ca Cálcio

CaCl2 Cloreto de cálcio

Cl Cloro

CO2 Dióxido de carbono

Cr Cromo

CTC Capacidade de troca de cátions

Cu Cobre

CV Coeficiente de variação

EDTA Ácido Etilenodiamino Tetra-Acético

Fe Ferro

GD Grau de dependência

GMES Global Monitoring for Environment and Security

GPS Global Positioning System

H Hidrogênio

H2SO4 Ácido Sulfúrico

HCl Ácido clorídrico

H + Al Acidez potencial

IAF Índice de área foliar

K Potássio

KCl Cloreto de potássio

N Nitrogênio

NaOH Hidróxido de sódio

NDMI Índice de Umidade por Diferença Normalizada

NDVI Índice de Vegetação por Diferença Normalizada

NVef Nitossolo Vermelho Eutroférrico

Mg Magnésio

Mn Manganês

M.O. Matéria orgânica

NIR Infravermelho próximo

P Fósforo

pH Potencial Hidrogeniônico

r Coeficiente de correlação linear de Pearson

R² Coeficiente de determinação

REM Radiação eletromagnética

RFAA Radiação fotossintéticamente ativa absorvida

S Enxofre

SAVI Índice de Vegetação Ajustada ao Solo

SB Soma de bases

SIG Sistema de Informação Geográfica

SR Razão simples

SWIR Infravermelho de ondas curtas

TFSA Terra Fina Seca ao Ar

V% Bases trocáveis

Zn Zinco

SUMÁRIO

1. INTRODUÇÃO........................................................................................................12

2. OBJETIVOS............................................................................................................13

2.1 OBJETIVO GERAL..............................................................................................132.2 OBJETIVOS ESPECÍFICOS................................................................................13

3. REFERENCIAL TEÓRICO.....................................................................................14

3.1 AGRICULTURA DE PRECISÃO..........................................................................143.2 NUTRIENTES DAS PLANTAS............................................................................153.3 GEOPROCESSAMENTO....................................................................................163.3.1 Sensoriamento remoto.......................................................................................163.3.2 Características dos sensores remotos...............................................................173.3.3 Sentinel-2...........................................................................................................203.3.4 Comportamento espectral da vegetação...........................................................213.3.5 Índice de vegetação...........................................................................................223.4 GEOESTATÍSTICA..............................................................................................23

4. MATERIAIS E MÉTODOS......................................................................................26

4.1 ÁREA DE ESTUDO.............................................................................................264.2 ANÁLISES DAS IMAGENS DE SENSORIAMENTO REMOTO..........................274.3 AMOSTRAGEM E ANÁLISES QUÍMICAS..........................................................294.3.1 Coleta das amostras..........................................................................................304.3.2 Análises químicas..............................................................................................314.4 ANÁLISE DOS DADOS.......................................................................................31

5. RESULTADOS E DISCUSSÃO..............................................................................33

5.1 CLASSIFICAÇÃO DO NDVI................................................................................335.2 ESTATÍSTICA DESCRITIVA DA FERTILIDADE DO SOLO................................365.3 ANÁLISE DOS SEMIVARIOGRAMAS................................................................385.4 COEFICIENTE DE DETERMINAÇÃO (R²)..........................................................41

6. CONCLUSÕES.......................................................................................................46

REFERÊNCIAS...........................................................................................................47

ANEXO A – PROCEDIMENTOS DAS ANÁLISES QUÍMICAS.................................52

1. INTRODUÇÃO

A agricultura é a principal provedora de alimentos, fibras e biocombustíveis

do mundo e por isso desempenha um papel fundamental para a economia global.

Projeções mostram que a produtividade agrícola deverá aumentar nos próximos

anos, a fim de suprir a demanda alimentar [ CITATION For17 \l 1046 ].

Sendo assim, com o intuito de aumentar a produtividade das colheitas e a

qualidade ambiental, surgiu a agricultura de precisão (AP), que consiste em utilizar

tecnologias, como o geoprocessamento, no manejo da variabilidade espacial e

temporal associada à produção agrícola [ CITATION Pierce1999 \l 1046 ].

Com as técnicas de sensoriamento remoto, é possível obter as informações

da lavoura de forma não-destrutiva, rápida e por vezes à distância, desempenhando

um papel importante na obtenção de diagnósticos como a estimativa da

produtividade, avaliação nutricional, detecção de pragas e doenças, previsão do

tempo e avaliação da necessidade hídrica das plantas (SHIRATSUCHI et al., 2014).

Como é possível observar, o sensoriamento remoto pode contribuir de modo

significativo no fornecimento de dados no setor agrícola, sendo um dos melhores

meios, em termo de custo-benefício, para coleta de informações detalhadas e

confiáveis sobre grandes áreas, com alta frequência de revisita [ CITATION For17 \l

1046 ].

2. OBJETIVOS

2.1 OBJETIVO GERAL

O principal objetivo deste trabalho é correlacionar teores de nutrientes no

solo por meio de sensoriamento remoto, aplicando o Índice de Vegetação por

Diferença Normalizada (NDVI), com as amostras de solo obtidas em campo e

analisadas em laboratório, a fim de definir estratégias de manejo mais eficientes em

agriculturas de precisão.

2.2 OBJETIVOS ESPECÍFICOS

Analisar parâmetros químicos do solo em laboratório;

Avaliar a variabilidade espacial dos nutrientes do solo;

Caracterizar a área de estudo com dados de imagens de

sensoriamento remoto;

Comparar os resultados das amostras analisadas em laboratório com

os resultados do NDVI a fim de verificar se um modelo pode ser ajustado para

estimar os nutrientes a partir de dados de índices espectrais.

3. REFERENCIAL TEÓRICO

3.1 AGRICULTURA DE PRECISÃO

Agricultura de precisão é a aplicação de tecnologias e princípios para gerir

variabilidades espaciais e temporais associadas com todos os aspectos da

produção agrícola com o propósito de melhorar a performance da colheita e

qualidade ambiental. O sucesso na agricultura de precisão está relacionado

ao quão bem pode ser aplicado para gerir e avaliar o contínuo espaço-

tempo na produção da colheita[CITATION Pierce1999 \p 1 \l 1046 ].

A agricultura possui um papel insubstituível em todos os países, pois é a

principal provedora de alimentos, fibras e biocombustíveis. Cerca de 1,53 bilhões de

hectares do planeta são destinados à agricultura, em que 62% dessas terras são

destinadas à produção de alimentos humanos, 35% à alimentação animal e 3% à

produção de bioenergia [ CITATION For17 \l 1046 ].

Estudos internacionais mostram que, até o ano de 2050, será necessário

praticamente duplicar os níveis atuais da produção agrícola do planeta, a fim de

atender as demandas de segurança alimentar, de governança e de sustentabilidade.

Sendo assim, para elevar a produtividade agrícola, uma das alternativas é aumentar

a produtividade das lavouras, dessa forma reduzindo a expansão agrícola e,

consequentemente, podendo diminuir o desmatamento [ CITATION For17 \l 1046 ].

A agricultura de precisão teve início no meio da década de 1980, em que as

aplicações de sensoriamento remoto eram utilizadas em sensores para matéria

orgânica do solo, que logo se diversificaram para incluir sensores de satélites,

aéreos e portáteis ou tratores montados [CITATION Mulla2013 \l 1046 ].

No Brasil, foi na segunda metade da década de 1990 que se deu início ao

emprego da agricultura de precisão. Com o crescente uso e facilitação de acesso

dos equipamentos GPS e processamento de dados georreferenciados, suas

aplicações na agricultura têm se tornado cada vez mais comuns. No início dos anos

2000, foram disponibilizadas colhedoras equipadas com GPS e sensores de

produtividade (monitor de colheita), porém, devido à dificuldade de utilização e à

pequena utilidade vislumbrada pelos produtores, houve certo receio em adquiri-las

(RESENDE et al., 2010).

Atualmente a agricultura de precisão avançou para além da cultura de milho

e soja, reunindo um número de diferentes culturas entre anuais, perenes e

semiperenes, podendo ser aplicada em todas as culturas nas quais a variabilidade

espacial esteja presente (INAMASU et al., 2011). Em 2010, no Cerrado, estimava-se

que cerca de 4 milhões de hectares de lavouras anuais e cerca de 1,5 milhões de

hectares de cana-de-açúcar já utilizavam amostragens georreferenciadas para

mapeamento da fertilidade do solo e distribuição de corretivos e fertilizantes em

taxas variáveis (RESENDE et al., 2010).

3.2 NUTRIENTES DAS PLANTAS

Os nutrientes representam cerca de 8,6% da matéria seca das plantas e

qualquer alteração nesse percentual acarretará em maiores benefícios ou prejuízos

da atividade agrícola. A fim de potencializar o crescimento das plantas, é necessário

que todos os nutrientes estejam disponíveis em teores adequados (TANAKA;

MASCARENHAS, 2006).

Os macronutrientes N, K, Ca, Mg, P e S fazem parte de moléculas

essenciais, sendo necessários em maiores quantidades e possuindo função

estrutural, enquanto os micronutrientes Cl, Fe, B, Mn, Zn, Cu e M.O. fazem parte das

enzimas e possuem função reguladora, sendo necessários em menores

quantidades.

O Cálcio (Ca) tem relação com o crescimento das plantas, e sua deficiência

temporária pode acarretar em colapso no caule ou no pecíolo, colapso das células

nas pontas dos frutos, produção menor de grãos, germinação deficiente do grão do

polén e abscisão prematura das flores (TANAKA; MASCARENHAS, 2006).

O Magnésio (Mg) compõe a molécula da clorofila, auxiliando na ativação das

enzimas relacionadas à síntese de proteínas e na absorção de P, sua deficiência

pode causar clorose internerval nas folhas mais velhas (TANAKA; MASCARENHAS,

2006).

O Fósforo (P) está relacionado aos processos de fotossíntese, respiração,

armazenamento e de transferência de energia e divisão celular, entre outros

(TANAKA; MASCARENHAS, 2006).

O Potássio (K) possui função de ativação de diversas enzimas, de

favorecimento do equilíbrio das cargas elétricas das células, de regulação do turgor

destas e de regulação do movimento dos estômatos. Sua deficiência pode causar

necrose das folhas (TANAKA; MASCARENHAS, 2006).

A correção da acidez do solo tem como finalidade diminuir os teores de H+,

Mn2+ e Al3+ para concentrações que não prejudiquem o crescimento das raízes e

absorção dos nutrientes. Como consequência, auxilia a agregação das partículas do

solo, eleva a CTC de cargas dependentes de pH e melhora as condições para o

crescimento e sobrevivência da microfauna benéfica (TANAKA; MASCARENHAS,

2006).

3.3 GEOPROCESSAMENTO

3.3.1 Sensoriamento remoto

Sensoriamento remoto é a ciência de obter informação sobre um objeto sem

estar em contato físico direto com ele, podendo ser usado para medir e monitorar

importantes características biofísicas e atividades humanas na Terra [CITATION

Jen11 \l 1046 ].

Sendo a vegetação um dos componentes mais importantes do ecossistema,

cientistas têm desempenhado significativos esforços para desenvolver sensores e

algoritmos de processamento de imagens para extrair informações biofísicas da

vegetação a partir do sensoriamento remoto. Essas técnicas podem ser aplicadas

para diversas paisagens vegetadas, incluindo a agricultura [ CITATION Jen11 \l

1046 ].

A Figura 1 mostra como ocorre a obtenção de imagens de sensoriamento

remoto, em que uma fonte de energia (e.g., o Sol) incide sobre um alvo (e.g., cultura

agrícola), então parte da energia é absorvida, parte é transmitida e parte é refletida.

Uma parcela da luz refletida, juntamente com parte da energia emitida pela

superfície, é captada por sensores a bordo de satélites. As imagens captadas pelos

sensores são enviadas a estações de recepção e então distribuídas para os

usuários [ CITATION For17 \l 1046 ].

Figura 1 – Obtenção de imagem de sensoriamento remoto.

Fonte: Formaggio e Sanches (2017).

3.3.2 Características dos sensores remotos

Os sensores remotos são os equipamentos que captam a energia refletida e

a energia emitida pela superfície terrestre [ CITATION Flo11 \l 1046 ] e possuem

características diversas.

Os níveis de coleta de dados de sensoriamento remoto são classificados em

função da distância entre o sensor e o objeto de estudo, podendo ser citados como:

orbital, aéreo, de campo e de laboratório (Figura 2) [ CITATION For17 \l 1046 ].

Figura 2 – Níveis de coleta de dados de sensoriamento remoto.

Fonte: Formaggio e Sanches (2017).

O espectro eletromagnético representa as regiões espectrais da radiação

eletromagnética (REM) conforme o comprimento de onda e a frequência (Figura 3)

[ CITATION Flo11 \l 1046 ].

Figura 3 – Espectro eletromagnético.

Fonte: Pereira, Silva e Pamboukian (2016).Na região do espectro visível, o olho humano é capaz de enxergar as cores

do violeta ao vermelho. A região do infravermelho é subdividido em três regiões:

infravermelho próximo (0,7-1,3 µm), médio (1,3-6,0 µm) e distante ou termal (6,0-

1000 µm) [ CITATION Flo11 \l 1046 ].

Objetos da superfície terrestre absorvem e transmitem radiação

eletromagnética de acordo com as suas características biofísicas e químicas, que

variam com o comprimento de onda [ CITATION Flo11 \l 1046 ]. A Figura 4 ilustra as

curvas referente à reflectância da vegetação e alguns outros tipos de cobertura da

terra.

Figura 4 – Comportamento espectral de alvos.

Fonte: Pereira, Silva e Pamboukian (2016).

Conforme é possível observar, a vegetação verde e saudável, em relação a

região do espectro visível, reflete mais energia na faixa correspondente ao verde,

por isso o olho humano enxerga a vegetação na cor verde. Contudo, com relação às

demais curvas espectrais, a vegetação reflete mais energia na região do

infravermelho próximo [ CITATION Flo11 \l 1046 ].

Um sensor é caracterizado por quatro resoluções, sendo elas:

a) Resolução espacial: está relacionada com a capacidade que o sensor

possui em distinguir objetos em função de seu tamanho. Por exemplo, um sensor

que possui resolução espacial de 10 m, é capaz de detectar objetos maiores que 10

m x 10 m, ou seja, maiores que 100 m² [ CITATION Flo11 \l 1046 ].

b) Resolução espectral: é a capacidade do sensor de distinguir objetos

em função da sua sensibilidade espectral. Quanto mais estreita a faixa espectral

onde um sensor capta dados, maior é a capacidade de registrar variações de

energia refletida pelo objeto, sendo assim, quanto maior o número de bandas o

sensor possuir, maior é a sua resolução espectral [ CITATION Flo11 \l 1046 ].

c) Resolução radiométrica: é a capacidade do sensor de distinguir

intensidade de energia refletida ou emitida pelos objetos, determinando intervalo de

valores associados a níveis de cinza, que possibilita representar uma imagem digital.

Por exemplo, para uma imagem com 4 valores digitais, podemos ter objetos

representado em preto, branco e mais outros dois valores de cinza [ CITATION

Flo11 \l 1046 ].

d) Resolução temporal: indica a frequência de imageamento sobre uma

mesma área [ CITATION Flo11 \l 1046 ].

Em tempos passados, os dados de sensoriamento remoto eram baseados

em dados de câmeras, sendo denominados pancromáticos. Em meados do século

XX, com o surgimento de satélites artificiais, desenvolveu-se a tecnologia dos

imageadores que podiam ter um número maior de bandas espectrais, chamada de

multiespectral. Já na década de 1980, houve uma evolução da tecnologia

multiespectral, podendo obter imagens em centenas de bandas estreitas,

denominadas hiperespectrais [ CITATION For17 \l 1046 ].

Cada tecnologia possui suas vantagens e desvantagens, sendo apropriadas

para casos diversos. Para a agricultura, recomenda-se a utilização dos dados

multiespectrais [ CITATION For17 \l 1046 ].

3.3.3 Sentinel-2

De acordo com a empresa EngeSat (1997), o Sentinel 2 forma uma missão

imageadora multiespectral do Programa GMES (Global Monitoring for Environment

and Security) administrada pela Comunidade Europeia e a ESA, para observação da

Terra, coletando dados de vegetação, solos e umidade, rios e área costeiras, dados

para correção atmosférica (absorção e distorção) com resolução de 10 m, e possui

capacidade de revisita de 5 dias, garantindo a continuidade dos dados providos pelo

SPOT 5 e Landsat 7 (ENGESAT, 1997).

Algumas das características do Sentinel-2 são:

a) Bandas do Sensor: 4 bandas no visível e no infravermelho; 6 bandas

no “red edge” (banda espectral que se posiciona exatamente no limiar entre o visível

e não visível, aumentando a sensibilidade de certos índices e podendo identificar

certas doenças e pragas das lavouras) e no infravermelho de ondas curtas; 3

bandas para correções atmosféricas.

b) Resolução Radiométrica – Quantificação: 12 bits por pixel.

c) Resolução Espacial: 13 bandas, conforme a Tabela 1.

Tabela 1 – Resolução espacial e espectral Sentinel-2.

Resolução Nº da Banda Nome da Banda

10 m

B02 Blue (Azul)

B03 Green (Verde)

B04 Red (Vermelho)

B08 NIR (Infravermelho próximo)

20 m

B05 Red Edge 1

B06 Red Edge 2

B07 Red Edge 3

B08A Red Edge 4

B11 SWIR 1

B12 SWIR 2

60 mB01 Aerossol

B09 Water Vapor

B10 CirrusFonte: adaptado de EngeSat (1997).

3.3.4 Comportamento espectral da vegetação

O comportamento espectral da vegetação é em função da sua composição,

morfologia e estrutura interna (Figura 5) [ CITATION Novo2001 \l 1046 ].

Figura 5 – Curva de reflectância típica de uma folha verde.

Fonte: Novo e Pozoni (2001).

De acordo com Novo e Pozoni (2001), os principais aspectos do

comportamento espectral da folha, são:

a) Região do visível: os pigmentos de clorofila (65%), carotenos (6%) e

xantofilas (29%) dominam a reflectância espectral, onde a energia radiante interage

com a estrutura foliar por absorção e espalhamento.

b) Região do infravermelho próximo: a reflectância espectral predomina

nessa região, devido a interação da energia incidente com a estrutura do mesófilo. A

absorção da REM é pequena, ocorre considerável espalhamento interno na folha e a

absorção da água é geralmente baixa.

c) Região do infravermelho médio: a absorção devido a água líquida

predomina na reflectância espectral das folhas nessa região.

3.3.5 Índice de vegetação

De acordo com Jensen (2011), são medidas radiométricas adimensionais

que indicam a abundância relativa à atividade de vegetação verde, incluindo índice

de área foliar (IAF), porcentagem de cobertura verde, teor de clorofila, biomassa

verde, e radiação fotossinteticamente ativa absorvida (RFAA).

Um índice de vegetação ideal deve maximizar a sensibilidade a parâmetros

biofísicos das plantas, normalizar ou modelar efeitos externos e internos, e ser

acoplável a algum parâmetro biofísico mensurável [ CITATION Jen11 \l 1046 ].

Existem muitos índices de vegetação, como Razão Simples (SR), Índice de

Vegetação por Diferença Normalizada (NDVI), Índice de Umidade por Diferença

Normalizada (NDMI ou NDWI), Índice de Vegetação Ajustado ao Solo (SAVI), entre

outros. Muitos dos índices de vegetação são equivalentes em termos de conteúdo

de informação, e alguns proporcionam informações biofísicas singulares [ CITATION

Jen11 \l 1046 ].

Rouse et al. (1974) desenvolveram o Índice de Vegetação por Diferença

Normalizada (NDVI), em que a normalização do procedimento é usada para eliminar

as diferenças sazonais do ângulo do sol e minimizar os efeitos da atenuação

atmosférica, descrito pela equação (1).

NDVI=NIR−¿NIR+¿

(1)

Onde:

NDVI = Índice de Vegetação por Diferença Normalizada;

NIR = Refletância no comprimento de onda correspondente ao infravermelho

próximo;

RED = refletância no comprimento de onda correspondente ao vermelho.

Os valores de NDVI variam entre -1 e 1, em que valores se aproximam de 1

em áreas de densa vegetação, se aproximam de 0 em áreas com solo exposto e são

negativos em áreas com total ausência de vegetação, como nas águas [ CITATION

Meneses2012 \l 1046 ].

De acordo com Jensen (2011), o NDVI é um índice de vegetação importante,

pois possibilita o monitoramento das mudanças sazonais e interanuais do

desenvolvimento e da atividade da vegetação, e a razão reduz muitas formas de

ruídos multiplicativos, como a diferença de iluminação solar, sombra de nuvens,

entre outros.

Por outro lado, o NDVI possui algumas desvantagens, como é não-linear,

pode ser influenciado por ruídos aditivos, como radiância de trajetória atmosférica;

ser altamente correlacionado com o índice de área foliar (IAF), onde ocorre a

saturação do NDVI quando o IAF é muito alto; e o NDVI é muito sensível a variações

do substrato sob o dossel [ CITATION Jen11 \l 1046 ].

3.4 GEOESTATÍSTICA

A variabilidade espacial de propriedades do solo vem sendo objeto de

estudo dos pesquisadores, praticamente desde o início do século XX. Dentre os

modelos teóricos, a distribuição normal é a mais importante, pois explica a

ocorrência de um grande número de variáveis aleatórias na natureza, porém ela não

garante a independência entre as amostras, que pode ser verificada pela

autocorrelação. Isso ocorre devido ao cálculo da frequência de distribuição não levar

em consideração a distância na qual as amostras foram coletadas em campo

[ CITATION Vie \l 1046 ].

Em 1951, Krige concluiu que não conseguia encontrar sentido nas

variâncias, se não levasse em conta a distância entre as amostras, então Matheron

(1963), baseado nessas informações, desenvolveu a Teoria das Variáveis

Regionalizadas, que contém os fundamentos da geoestatística. Matheron (1963)

definiu Variável Regionalizada como uma função espacial numérica, que varia de um

local para outro, com uma continuidade aparente e cuja variação não pode ser

representada por métodos comuns de análises matemáticas [ CITATION Vie \l

1046 ].

Através do semivariograma (Figura 6) é possível estimar essa continuidade

ou dependência espacial, o qual é estimado pela equação (2).

y (h)= 12N (h)∑i=1

N(h)

[Z (x1)−Z (x1+h)]2(2)

Onde:

N (h ) representa o número de pares de valores medidos [Z(x1) -Z (x1+h ) ]²

separados por um vetor h, o qual é a distância de separação entre amostras. Os

valores de Z podem ser qualquer um dos parâmetros estudados, enquanto os

valores de x1 e x1 + h são definidos de acordo com as posições das amostras no

campo.

Ao calcular o semivariograma, obtêm-se os valores de semivariâncias y(h) e

distâncias (h), que serão dispostos em gráfico de dispersão tendo como valores de Y

as semivariâncias, e de X, as distâncias. Neste gráfico, deve-se ajustar uma

equação, no qual são utilizados os parâmetros: efeito pepita (C0), patamar (C0 + C1)

e alcance (a). Quando há dependência espacial, espera-se que a diferença entre os

valores [Z(x1) -Z (x1+h ) ]², em média, seja crescente com a distância até um

determinado ponto, onde se estabiliza num valor denominado patamar (C0 + C1) e

aproximadamente igual à variância dos dados. Essa distância recebe o nome de

alcance (a), e representa o raio de um círculo, onde os valores são tão parecidos

que se tornam correlacionados. O valor da semivariância na interseção do eixo Y é

denominado efeito pepita (C0) e representa a variabilidade da propriedade em estudo

em espaçamentos menores do que o amostrado [ CITATION Vie97 \l 1046 ].

Figura 6 – Exemplo de semivariograma típico.

Fonte: autoria própria.

Utilizando o método de interpolação chamado krigagem, é possível estimar

valores em qualquer posição do campo, sem tendência e com variância mínima. A

krigagem possibilita a construção de mapas de isolinhas (Figura 7) com alta

precisão, uma vez que após a interpolação a densidade espacial dos dados será

muito maior do que antes, além de oferecer também os limites de confiança para o

mapa, pela variância da estimativa [ CITATION Vie \l 1046 ]

Figura 7 – Exemplo de mapa de krigagem.

Fonte: Vieira (2000).

4. MATERIAIS E MÉTODOS

4.1 ÁREA DE ESTUDO

A área de estudo localiza-se no município de Assaí, estado do Paraná

(Figura 8) e é destinada ao cultivo de soja e milho. Possui uma superfície de

82.770,00 m² e situa-se nas coordenadas geográficas 23°20'25.7" S e 50°51'41.6"

W.

Figura 8 – Mapa de localização da área de estudo.


O clima da região, segundo a classificação de Köppen, é do tipo temperado

úmido com verão quente e com ocorrência de precipitação em todos os meses do

ano (Cfa). Conforme é possível observar na Figura 9, o solo da área é classificado

como Nitossolo Vermelho Eutroférrico, com textura muito argilosa (NVef),

caracterizado por possuir alta fertilidade e altos teores de ferro.

Figura 9 – Mapa de solos (Pedologia).


4.2 ANÁLISES DAS IMAGENS DE SENSORIAMENTO REMOTO

Todos os procedimentos foram realizados em ambiente SIG, utilizando o

software QGIS 3.6.0 [ CITATION Equ \l 1046 ]. Para geração do Índice de

Vegetação por Diferença Normalizada (NDVI) foram utilizadas imagens do sensor

Sentinel 2 (Figura 10).

Figura 10 – Carta imagem do Sentinel 2


Na etapa de geoprocessamento dos dados, foram utilizadas as bandas

espectrais B04 e B08 que representam, respectivamente, valores de reflectância nos

comprimentos de onda do vermelho e do infravermelho próximo, favorecendo a

visualização de diferenças entre respostas espectrais para a vegetação. De acordo

com Novo e Ponzoni (2001), uma folha verde sadia possui a principal banda de

absorção centrada na região visível da luz vermelha, enquanto a região de maior

reflectância é no infravermelho próximo.

A escolha dos pontos a serem amostrados foram baseados no mapa de

NDVI (Figura 11), que foi feito utilizando a imagem do sensor Sentinel 2 do dia 29 de

março de 2019, período de início da cultura de milho. Foram escolhidos pontos onde

apresentaram maiores valores de NDVI, indicando folhas mais sadias, portanto,

possivelmente maior fertilidade do solo. Também foram escolhidos alguns pontos

aleatórios, em locais com valores de NDVI reduzido. O cálculo do NDVI foi realizado

utilizando o algoritmo descrito por Rouse (1974), conforme a equação (1).

A fim de observar o comportamento espectral do ciclo da soja e início do

cultivo de milho, foi feito um gráfico de análise temporal usando a média dos valores

de NDVI dos pontos amostrados para o período de setembro de 2018 a abril de

2019.

Figura 11 – Mapa de NDVI na data de 29 de março de 2019.


4.3 AMOSTRAGEM E ANÁLISES QUÍMICAS

Foram definidos 63 pontos de amostragem através de uma seleção de

pontos com distanciamento de 5 e 2 metros, conforme a Figura 12.

Figura 12 – Mapa dos pontos amostrados.


No dia 16 de agosto de 2019, foi realizado a coleta das amostras no local de

estudo e então as análises químicas foram feitas nos dias 7 e 8 de outubro de 2019,

conforme a metodologia descrita pela Embrapa (2009).

4.3.1 Coleta das amostras

Seguindo a metodologia da Embrapa (2009), no dia 16 de agosto de 2019,

período entressafra, foi realizado a coleta de 63 amostras no local de estudo.

Utilizando uma pá reta, foram retirados aproximadamente 2kg de solo, sendo

acondicionado em saco plástico limpo devidamente identificado (número da

amostra).

A profundidade de amostragem foi abaixo de 20cm, pois, de acordo com

Furtini Neto et al. (2001), permite detectar barreiras químicas como toxidez por

alumínio e deficiência de cálcio.

4.3.2 Análises químicas

Antes de realizar as análises químicas, as amostras de solo ficaram

armazenadas até sua secagem, então o solo foi peneirado utilizando peneira de

malha 9 e acondicionado em saco de papel devidamente identificados.

Utilizando a metodologia descrita pela Embrapa (2009), nos dias 7 e 8 de

outubro de 2019 foram realizadas as análises químicas para os parâmetros:

a) pH;

b) Fósforo (P);

c) Potássio (K);

d) Cálcio (Ca)

e) Magnésio (Mg);

f) Matéria Orgânica (M.O.);

g) Acidez potencial (H + Al);

h) Capacidade de troca de cátions (CTC);

i) Soma de bases (SB);

j) Bases trocáveis (V%).

Os procedimentos estão descritos no ANEXO A.

4.4 ANÁLISE DOS DADOS

Os resultados foram submetidos à análise estatística descritiva, obtendo-se

média, mediana, mínimo, máximo, desvio-padrão, coeficiente de variação, variância,

assimetria, curtose, quartil inferior, quartil superior, interquartil e outliers.

A geoestatística foi realizada através do software VARIOWIN [ CITATION

PAN96 \l 1046 ] para avaliar a variabilidade espacial dos parâmetros estudados,

segundo Vieira et al. (1983).

Por meio do semivariograma verificou-se se houve dependência espacial,

sendo estimado pela equação (2), ou seja, se a função y(h) foi depende da distância

(h), pois assim os valores vizinhos seriam semelhantes, havendo a possibilidade de

estimar valores para locais onde os parâmetros não foram medidos [ CITATION

Vie97 \l 1046 ].

O grau de dependência (GD) foi classificado de acordo com Cambardella et

al. (1994), em que GD < 25% é classificado como forte, 25% < GD < 75% é

classificado como moderado e GD > 75% é classificado como baixo.

Após obtido os resultados das análises químicas dos pontos amostrais e do

NDVI, foi avaliado a correlação entre eles. Para medir a qualidade do ajustamento

da linha de regressão, foram feitos gráficos de coeficiente de determinação (R²) para

os nutrientes do solo mais importantes para o desenvolvimento da planta (Ca + Mg,

P, K e M.O.) e para os parâmetros que influenciam na acidez do solo (pH CaCl 2 e H

+ Al), eliminando os dados atípicos. Para isso foi feita a retirada dos valores

periféricos (candidatos a outliers) baseando nos limites determinados segundo a

expressão: QI – 1,5DQ e QS + 1,5DQ, onde DQ = QS – QI, conforme descrito por

Libardi et al. (1996).

5. RESULTADOS E DISCUSSÃO

5.1 CLASSIFICAÇÃO DO NDVI

Segundo Fontana et al. (1998), ocorrem mudanças estruturais da vegetação

no decorrer da estação do crescimento, resultando em uma diferenciação de sua

reflectância, permitindo empregar o NDVI para o monitoramento da vegetação e

detectar problemas de crescimento.

Os valores de NDVI extraídos dos pontos amostrados (Figura 13), referente

ao dia 29 de março de 2019, variaram entre 0,52 e 0,74, apresentando uma média

de 0,69. Quanto maior a biomassa e o teor de clorofila, maiores são os valores de

NDVI, indicando boas condições de crescimento da cultura (Variani, 2011).

Figura 13 – Mapa dos pontos amostrados e NDVI.


O perfil temporal padrão da soja é o típico de um cultivo anual, onde os

valores de NDVI são baixos no início do ciclo (neste caso, em outubro), então,

conforme o crescimento das plantas e o ganho de biomassa, os valores de NDVI

aumentam até alcançar seu pico (neste caso, em janeiro). A partir desse momento,

se inicia o processo de maturação da planta, perdendo biomassa e alcançando o

estágio de maturação plena, em que os valores de NDVI são baixos de novo e

ocorre a colheita (nesse caso, final de fevereiro). Após a ciclo da soja, os valores de

NDVI voltam a subir, representando o início do cultivo de milho. Na Figura 14 é

possível observar o perfil temporal do ciclo da soja (outubro/2018 – fevereiro/2019) e

início do cultivo de milho, enquanto na Figura 15, esse perfil pode ser observado

através de mapas de NDVI. Comportamento semelhante também foram observados

por Esquerdo, Júnior e Antunes (2011); Motta, Fontana e Weber (2003); e Santos et

al. (2014).

Figura 14 – Análise temporal do ciclo da soja e início do cultivo de milho.


O gráfico boxplot apresentado na Figura 14 mostra que na fase de

crescimento das culturas de soja e milho, os valores de NDVI tiveram maiores

variações, pois é na fase de crescimento que é possível diferenciar as regiões em

que a cultura está se desenvolvendo melhor das regiões em que a cultura está em

desenvolvimento mais lento, como consequência da disposição de nutrientes no

solo. Tanto no início do ciclo, quanto na fase final de maturação das culturas, é

possível notar uma baixa variação dos valores de NDVI, isso ocorre pois no início do

ciclo, o solo está totalmente exposto, enquanto na fase final de maturação, quase

toda a cultura atingiu seu estágio final de desenvolvimento, tendo uma resposta mais

uniforme dos dados.

Figura 15 – Comportamento do NDVI ao longo do ciclo da soja e início do cultivo de milho.


5.2 ESTATÍSTICA DESCRITIVA DA FERTILIDADE DO SOLO

Na análise da estatística descritiva da fertilidade do solo, o menor valor de

CV (coeficiente de variação) foi obtido pelo pH, com 4,71 %, apoiando as conclusões

de Souza et al. (2004), Pontelli (2006), Silva et al. (2007) e Vieira et al. (2009),

classificando o CV como baixo (CV ≤ 12). Este resultado já era esperado, visto que

este parâmetro possui baixa variabilidade. Já o maior CV obtido foi do Fósforo (P),

com 91,52 %, classificando o CV como alto (CV ≥ 62). Este resultado também foi

observado por Rodrigues (2014); e Salviano, Vieira e Sparovek (1998); que

encontraram altos valores de CV para P devido a adubação fosfatada. GREGO et al.

(2010) também encontrou maiores valores de CV para P e menores valores para pH,

apoiando os resultados encontrados. Os fatores que podem ter causado esse alto

valor de CV para P, é o efeito residual da adubação, à aplicação de fertilizantes em

linha e à exposição a camadas mais pobres desse nutriente, pelo processo de

erosão superficial. Os demais parâmetros apresentaram CV médio (12 < CV < 62) e

podem ser observados na Tabela 2.

Com relação aos valores de assimetria, é possível verificar que os

parâmetros pH e Fósforo (P) possuem distribuição assimétrica positiva (As > 1),

enquanto os demais parâmetros possuem distribuição simétrica (-1 < As < 1). Já

com relação a análise dos valores de curtose, os parâmetros pH, P, M.O. e Ca + Mg,

apresentam distribuição platicúrtica (C > 0,263), enquanto os parâmetros K, H + Al,

SB, CTC e V apresentam distribuição leptocúrtica (C < 0,263).

Tabela 2 – Estatística descritiva da fertilidade do solo.

Parâmetro Unidade Média Mínimo MáximoDesviopadrão

Coeficientede variação

(%)

Assi-metria

Curtose

pH CaCl2 s/unidade 5,69 5,12 6,52 0,27 4,71 1,14 2,01

P mg.dm-3 2,26 0,50 12,16 2,07 91,52 2,63 8,44

M.O. g.dm-3 50,80 31,41 78,33 7,33 14,43 0,38 2,58

Ca+Mg cmolc.dm-3 11,08 7,30 13,50 1,35 12,14 -0,67 0,40

K cmolc.dm-3 0,09 0,03 0,17 0,03 35,34 0,29 -0,34

H+Al cmolc.dm-3 13,29 4,70 24,20 6,15 46,27 0,02 -1,39

SB cmolc.dm-3 31,19 1,08 63,17 18,45 59,16 0,03 -1,18

CTC cmolc.dm-3 44,48 8,08 83,11 19,59 44,04 0,01 -0,93

V % 64,19 13,33 92,69 21,74 33,86 -0,96 0,15Fonte: autoria própria.

De acordo com as classes de fertilidade do solo propostas pela Comissão de

Química e Fertilidade do Solo - RS/SC (2004), P apresentou teor muito baixo no solo

(≤ 2 mg.dm-3), necessitando de adubação fosfatada. K também apresentou teor

baixo no solo (≤ 30 cmolc.dm-3), necessitando de adubação potássica. Já os

nutrientes Ca + Mg apresentaram altos valores (> 5 cmolc.dm-3), não sendo

necessária a aplicação de gesso/calcário.

Segundo Pereira (2009), conforme aumenta o carbono orgânico total no

solo, a CTC também aumenta, causando grande efeito sobre o K trocável na

solução do solo. Quanto maior a CTC, menor a quantidade de K no solo, portanto,

menor sua perda por lixiviação. Isso explica os elevados valores de M.O. e CTC

obtidos e o baixo valor de K. Também, de acordo com Nizeyimana e Bicki (1992),

valores elevados de CTC são observados em terrenos côncavos (Figura 16), devido

a condições de drenagem da área e às características da inclinação do relevo.

De acordo com Kaminski et al. (2002), a acidez potencial (H + Al) do solo

representa quanto de base é necessária para neutraliza-la, ou seja, a necessidade

de calcário no solo. Portanto, para H + Al de 13,29 cmolc.dm-3, serão necessários

essa mesma quantia de base para sua neutralização.

Ocorreu grande variação na saturação por bases (V), variando de 13,33 % a

92,69 %, indicando bastante diferença na quantidade de bases trocáveis presentes

na solução do solo. O pH variou entre 5,12 e 6,52, indicando a necessidade de

calagem em algumas áreas, pois em pH menor que 5,5, o alumínio não está na

forma precipitada e sua hidrólise gera íons H+ para a solução do solo reduzindo o

pH. Resultados semelhantes a estes também foram observados por Rodrigues

(2014).

Figura 16 – Mapa de curvas de nível


5.3 ANÁLISE DOS SEMIVARIOGRAMAS

Na Tabela 3 é possível observar os valores da análise semivariográfica da

fertilidade do solo e do NDVI. O modelo esférico foi o mais ajustado, apoiando várias

pesquisas como de Silva et al. (2007); Souza, Cogo e Vieira (1997); Souza, Junior e

Pereira (2004); e Grego e Vieira (2005), que indicam o modelo esférico como o de

maior ocorrência para os atributos do solo e de plantas.

Todos os atributos químicos analisados apresentaram dependência espacial

forte ou moderado, conforme expressa os semivariogramas da Figura 17.

Para a classificação do grau de dependência, foi utilizado os intervalos

propostos por Cambardella et al. (1994), assim, apenas a acidez potencial (H + Al)

foi classificada como moderada (25%<GD<75%), enquanto os demais parâmetros

foram classificados com um forte grau de dependência (GD<25%). Resultados

semelhantes também foram encontrados por Silva et al. (2007), Artur et al. (2014) e

Rodrigues (2014) que, segundo Cambardella et al. (1994), atribui o grau forte de

dependência espacial a fatores intrínsecos do solo como material de origem, relevo,

clima, organismos e tempo.

Tabela 3 – Análise semivariográfica da fertilidade do solo e do NDVI.

Parâmetros C0 C1 A (m)Modelo do

ajusteGrau de De-pendência

Classificação

pH CaCl2 0,00 0,07 27,60 Esférico 1,14 Forte

P 0,04 4,30 23,60 Exponencial 0,99 Forte

M.O. 10,60 40,28 42,00 Esférico 20,83 Forte

Ca + Mg 0,42 3,11 37,86 Gaussiano 11,88 Forte

K 0,00 8,73 52,80 Esférico 0,00 Forte

H + Al 15,96 19,00 29,40 Esférico 45,65 Moderado

SB 0,00 319,60 45,00 Esférico 0,00 Forte

CTC 76,00 296,40 43,80 Esférico 20,41 Forte

V(%) 100 345,00 40,80 Gaussiano 22,47 Forte

NVDI 0,0001 0,00 62,90 Gaussiano 6,10 ForteC0: efeito pepita; C1: variância estrutural; A: alcance.Fonte: autoria própria.

Os atributos K e SB exibiram grau de dependência zero, que representa um

grau de dependência forte, mesmo tendo CV médio. Sendo assim, mesmo

apresentando média variabilidade, não influenciou na caracterização da estrutura da

dependência espacial desses atributos.

O efeito pepita (C0) reflete a variabilidade não explicada pelos

semivariogramas, considerando a distância de amostragem utilizada (VIEIRA, 2000).

Os menores valores de C0 foram encontrados para SB e K, que foram iguais a zero,

seguido por NDVI (0,0001), pH CaCl2 (0,0008), P (0,043) e Ca + Mg (0,42). Assim,

estes parâmetros apresentaram maior continuidade espacial do que os parâmetros

M.O. (10,6), H + Al (15,96), CTC (76) e V (100). Vieira et al. (2009) também

encontrou baixos valores de C0 para pH, K, Mg e P, porém salienta que estes

elementos são relativamente móveis no solo e a dependência espacial é válida

apenas por um pequeno período de tempo após a amostragem do solo.

De acordo com Silva et al. (1989, APUD MACHADO et al., 2007), quando a

variável não apresenta dependência espacial, é denominado efeito pepita puro,

indicando que o parâmetro é espacialmente independente, apresenta distribuição

casual ou que o distanciamento entre as amostras foi maior do que o necessário

para revelar dependência espacial, sendo a única estatística aplicável a clássica. Ao

contrário dos resultados obtidos no presente estudo, na pesquisa realizada por

Bernardi et al. (2014), os parâmetros do solo (pH, M.O., P, K, CTC e V%)

apresentaram efeito pepita puro, ou seja, fraca dependência espacial. O provável

motivo atribuído pelo autor, foi a baixa densidade de pontos amostrados (20 pontos),

43 pontos a menos do que o realizado neste trabalho, que totalizou 63 pontos

amostrados, destacando a importância do número de amostras para um bom ajuste.

De modo geral, os parâmetros químicos apresentaram altos valores de

alcance, mostrando que a grade de amostragem adotada foi eficaz em detectar

variabilidade espacial dos atributos analisados. Os maiores valores de alcance foram

encontrados para os parâmetros NDVI (62,9), K (52,8) e CTC (43,8), enquanto os

menores valores foram encontrados para os parâmetros P (23,6), pH CaCl2 (27,6) e

H + Al (29,4). Resultados semelhantes foram encontrados por Silva et al. (2007), que

também encontrou maior alcance para K, e Rodrigues (2014), que encontrou menor

alcance para P. Quanto menor o alcance, mais rápida é obtida a independência

entre as amostras, visto que o alcance é a distância limite da dependência espacial.

Fatores extrínsecos, como adubação, calagem e preparo do solo, contribuem para a

redução do alcance.

Figura 17 – Semivariogramas dos atributos do solo analisados e do NDVI.


5.4 COEFICIENTE DE DETERMINAÇÃO (R²)

Na Figura 18, é possível observar os gráficos dos parâmetros P, K, Ca + Mg,

pH CaCl2 e H + Al, em que os valores dos coeficientes de determinação (R²) e dos

coeficientes de correlação linear de Pearson (r) estão descritos na Tabela 4.

Figura 18 – Coeficientes de determinação (R²)

0,62 0,64 0,66 0,68 0,7 0,720,40,91,41,92,42,93,43,9

f(x) = 28,63 x − 17,07R² = 0,86

a) P

NDVI

P (m

g.dm

-3)

0,53 0,58 0,63 0,68 0,730,01

0,06

0,11

0,16

f(x) = 0,65 x − 0,33R² = 0,8

b) K

NDVI

K (c

mol

c.dm

-3)

0,52 0,57 0,62 0,67 0,72789

1011121314

f(x) = 18,25 x − 0,53R² = 0,77

c) Ca + Mg

NDVI

Ca +

Mg

(cm

olc.d

m-3

)

0,53 0,58 0,63 0,68 0,733035404550556065

f(x) = 120,18 x − 27,24R² = 0,73

d) M.O.

NDVI

M.O

. (g.

dm-3

)

0,63 0,65 0,67 0,69 0,71 0,735,1

5,3

5,5

5,7

5,9

f(x) = 2,84 x + 3,63R² = 0,71

e) pH CaCl2

NDVI

pH C

aCl2

0,62 0,64 0,66 0,68 0,7 0,72 0,743

8

13

18

23f(x) = − 157 x + 121,18R² = 0,71

f) H + Al

NDVI

H +

Al (c

mol

c.dm

-3)


Tabela 4 - coeficientes de determinação (R²) e coeficientes de correlação linear de Pearson (r)

Parâmetro Coeficiente de Determinação (R²) Coeficiente de Correlação Linear de Pearson (r)

pH CaCl2 0,71 0,84

P 0,86 0,74

M.O. 0,73 0,75

Ca + Mg 0,77 0,67

K 0,79 0,86

H + Al 0,71 -0,84Fonte: autoria própria.

O maior coeficiente de determinação (R²) foi do parâmetro P (0,86), seguido

por K (0,79), Ca + Mg (0,77), M.O. (0,73), H + Al (0,71) e pH CaCl2 (0,71). Sendo

assim, os modelos de todos os parâmetros possuem um bom ajuste, pois

apresentaram coeficiente de determinação (R²) maior do que 0,7. Valores

semelhantes de R² para os atributos do solo foram obtidos por Zucoloto, Lima e

Coelho (2011) em que R² variou entre 0,59 e 0,98; por Silva et al. (2007), em que R²

variou entre 0,61 e 0,94; e Rodrigues (2014), em que R² variou entre 0,63 e 0,99.

O coeficiente de correlação linear de Pearson (r) para os parâmetros P

(0,74), K (0,86), Ca + Mg (0,67), M.O. (0,75) e pH CaCl2 (0,84) são positivos,

indicando que os valores dos atributos são diretamente proporcionais aos valores de

NDVI. Visto que estes nutrientes são importantes para o desenvolvimento da planta

e maiores valores de NDVI indicam mais biomassa e clorofila, ou seja, maior

potencial de crescimento da planta e, portanto, melhores condições do solo, o

resultado da correlação entre os nutrientes e o NDVI são coerentes.

Já o parâmetro acidez potencial (H + Al) possui coeficiente de correlação

linear de Pearson negativo (-0,84), indicando que o valor do parâmetro é

inversamente proporcional aos valores de NDVI. Quanto mais acidez no solo, menor

o potencial de crescimento da planta, pois o alumínio, juntamente com o hidrogênio

presente no solo são prejudiciais à produção, portanto resultam em menores valores

de NDVI, justificando o resultado obtido.

Resultados aproximados foram encontrados por Zucoloto, Lima e Coelho

(2011), em que o coeficiente de correlação linear entre os atributos do solo (P, pH,

Ca e Mg) e a produção apresentaram correlação positiva, enquanto H + Al

apresentou correlação negativa. Zanzarini et al. (2013) também encontrou

correlação positiva para pH.

Na Figura 19 encontram-se os pontos que foram utilizados na construção

dos gráficos de regressão linear. Ao comparar os pontos utilizados no gráfico de pH

e os pontos utilizados no gráfico de H + Al, é possível verificar pontos coincidentes,

no entanto, conforme observado na Figura 18, os gráficos de pH e H + Al são

inversamente proporcionais. Isso ocorre devido aos valores de pH, que quanto

menor, indica maior acidez, enquanto a acidez potencial (H + Al) do solo indica a

quantidade de base necessária para neutraliza-la, ou seja, quanto maior o valor,

indica maior acidez, sendo inversamente proporcional aos valores de pH.

Os pontos utilizados nos gráficos de regressão linear dos nutrientes P, K, Ca

+ Mg e M.O., também possuem pontos que coincidem, com destaque para os pontos

mais distantes, localizados em regiões com menores valores de NDVI (Figura 19).

Estes pontos mais afastados são importantes para correlacionar os atributos do solo

com o NDVI, pois estão localizados onde os valores de NDVI são menores e

puderam ser correlacionados com menores disponibilidades de nutrientes. Assim,

conforme é possível observar nos gráficos da Figura 18, possuem correlação

positiva, ou seja, quanto maiores valores de NDVI, maiores disponibilidades de

nutrientes, indicando melhores condições de fertilidade do solo.

Figura 19 – Mapa dos pontos utilizados na construção do mapa de regressão linear para os atributosdo solo pH, H + Al, P, K, Ca + Mg e M.O.


6. CONCLUSÕES

A dependência espacial dos parâmetros analisados indica que as variações

espaciais devem ser consideradas no planejamento e nas práticas de manejo do

solo.

Todos os atributos estudados apresentaram grau de dependência forte, com

exceção da acidez potencial (H + Al), que apresentou grau de dependência

moderada, indicando que pode ter sido influenciada pela aplicação desuniforme de

calcário na área (Cambardella et al. 1994).

A densidade de amostragem adotada foi suficiente para uma adequada

caracterização da variabilidade espacial de atributos do solo.

A grande amplitude dos atributos do solo analisados indica a necessidade de

manejo diferenciado quanto à aplicação de calcário e fertilizante, podendo revelar

problemas se utilizado os valores médios para o manejo da fertilidade do solo.

Os atributos do solo (pH, P, K, Ca + Mg e M.O) apresentaram correlação

positiva com o NDVI, enquanto o H + Al apresentou correlação negativa.

Por fim, conforme apresentado, foi possível correlacionar os atributos do

solo com os valores de NDVI, sendo possível a utilização do NDVI como ferramenta

para definir estratégias de manejo mais eficientes na agricultura de precisão e

reduzindo a contaminação do solo, das águas e da atmosfera pela aplicação em

excesso de fertilizantes nas lavouras, contribuindo com o meio ambiente.

REFERÊNCIAS

ARTUR, Adiana G. et al. Variabilidade Espacial dos Atributos Químicos do Solo Associada ao Microrrelevo. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 18, n. 2, p.141-149, 2014.

BARBOSA, A. H. S.; CARVALHO, R. G.; CAMACHO, R. G. V. Aplicação do NDVI para a Análise da Distribuição Espacial da Cobertura Vegetal na Região Serrana de Martins e Portalegre – Estado do Rio Grande do Norte. Revista do Departamento de Geografia Universidade de São Paulo, v. 33, p. 128-143, Agosto 2017.

BAUER, F. C.; LINSLEY, C. M. Test Your Soil For Acidity. University Of Illinois. Urbana, p. 16. 1929.

BERNARDI, Alberto C. de C. et al. Variabilidade Espacial de Parâmetros Físico-Químicas do Solo e Biofísicos de Superfície em Cultivo de Sorgo. Revista Brasileirade Engenharia Agrícola e Ambiental, Campina Grande, v. 18, n. 6, p.623-630, 2014.

BONGIOVANNI, R.; LOWENBERG-DEBOER, J. Precision Agriculture and Sustainability. Springer Nature, v. 5, n. 4, p. 359-387, Agosto 2004.

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 Soil. Journal / Soil Science Society of America, Madison, v. 58, n. 5, p. 1501-1511, 1994.

CARDOSO, E. L.; FERNANDES, A. H. B. M.; FERNANDES, F. A. Análise de Solos:Finalidade e Procedimentos de Amostragem. Corumbá: Embrapa Pantanal, 2009. 5 p.

COELHO, A. M. Agricultura de Precisão: manejo da variabilidade espacial e temporal dos solos e culturas. 1. ed. Sete Lagoas: Embrapa Milho e Sorgo, 2005. 60 p.

COMISSÃO DE QUÍMICA E FERTILIDADE DO SOLO - RS/SC. Manual de Adubação e de Calagem para os Estados do Rio Grande do Sul e Santa Catarina. Porto Alegre, 2004. 401 p.

ESQUERDO, J. C. D. M.; ZULLO JÚNIOR, J.; ANTUNES, J. F. G.. Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil. International Journal Of Remote Sensing, [s.l.], v. 32, n. 13, p.3711-3727, 28 jun. 2011.

EMBRAPA. Manual de métodos de análise de solo / Centro Nacional de Pesquisa de Solos. 2. ed. Rio de Janeiro: EMBRAPA-CNPS, 1997. 212 p.

EMBRAPA. Métodos de análises químicas para avaliação da fertilidade do solo. 2. ed. Si: Embrapa, 2009. 627 p.

ENGESAT. Soluções em imagens de satélite e geoprocessamento, 1997. Disponivelem: <http://www.engesat.com.br/sentinel-2/>. Acesso em: 12 Junho 2019.

EQUIPE DE DESENVOLVIMENTO DO QGIS. Sistema de Informações Geográficas do QGIS. Projeto Código Aberto Geospatial Foundation. 2019.

FERREIRA, D. F. SISVAR: um programa para análises e ensino de estatística. Symposium, Lavras, v. 6, n. 2, p. 36-41, Dezembro 2008.

FLORENZANO, T. G. Iniciação em Sensoriamento Remoto. 3. ed. São Paulo: Oficia de Textos, 2011.

FONTANA, D. C.; BERLATO, M. A.; BERGAMASCHI, H. Relação entre o Índice de Vegetação Global e Condições Hídricas no Rio Grande do Sul. Pesquisa Agropecuária Brasileira, Brasília, v. 33, n. 8,1399-1405, 1998.

FONTANA, D. C. et al. Perfil Espectral da Soja no Sul do Brasil na Safra 2000. In: SIMPÓSIO LATINOAMERICANO DE PERCEPCION REMOTA, 9., 2000, Puerto Iguaçu, Argentina. Anais... [S.1. : s.n.], 2000. P. 97-104.

FORMAGGIO, A. R.; SANCHES, I. D. Sensoriamento Remoto em Agricultura. São Paulo: Oficina de Textos, 2017.

FURTINI NETO, A. E. et al. Fertilidade do Solo. Monografia (Especialização) - Curso de Fertilidade do Solo e Nutrição de Plantas no Agronegócio, Universidade Federal de Lavras. Lavras, p. 261. 2001.

GREGO, C.R.; VIEIRA, S.R.. Variabilidade Espacial de Propriedades Físicas do Soloem uma Parcela Experimental. Revista Brasileira de Ciência do Solo, Viçosa, v. 29, n.2, p.169-177, 2005.

GREGO, C. R.; VIEIRA, S. R.; XAVIER, M. A. Spatial variability of some biometricattributes of sugarcane plants (variety IACSP93-3046) and its relation to physical and chemical soil attributes. Bragantia, Campinas, v. 69, suppl., p. 107-119,2010.

INAMASU, R. Y. et al. Agricultura de Precisão para a sustentabilidade de sistemas produtivos do agronegócio brasileiro. In: EMBRAPA Agricultura de Precisão: um novo olhar. 1. ed. São Carlos: Embrapa Instrumentação, 2011. p. 14-26.

JENSEN, J. R. Sensoriamento Remoto do Ambiente: Uma Perspectiva em Recursos Terrestres. 2. ed. São José Dos Campos: Parentêse, 2011.

KAMINSKI, J. et al. Estimativa da Acidez Potencial em Solos e sua Implicação no Cálculo da Necessidade de Calcário. Revista Brasileira de Ciência do Solo, Viçosa, v. 26, n. 4, p.1107-1113, 2002.

LIBARDI, P. L.; MANFRON, P. A. ; MORAES, S. O. ; TUON, R. L. Variabilidade da umidade gravimetrica de um solo hidromorfico. Revista Brasileira de Ciência do Solo, Viçosa, v. 20, n.1, p. 1-12, 1996.

KRIGE, D. G. A statistical approach to some basic mine evaluation problems on the Witwatersrand. Journal of the Southern African Institute of Mining and Metallurgy, v. 52, n. 6, p. 119-139, Dezembro 1951.MACHADO, Leonardo de Oliveira et al. Variabilidade Espacial de Atributos Químicosdo Solo em Áreas Sob Sistema Plantio Convencional. Revista Brasileira de Ciência do Solo, Viçosa, v. 31, p.591-599, 2007.

MATHERON, G. Principles of Geostatistics. Economic Geology, v. 58, p. 1246-1266, 1963.

MENESES, P. R.; ALMEIDA, T. Introdução ao Processamento de Imagens de Sensoriamento Remoto. UnB. Brasília, p. 266. 2012.

MORAES, E. C. Fundamento de Sensoriamento Remoto. In: INPE Instituto Nacional de Pesquisas Espaciais. São José dos Campos: INPE, 2002. Cap. 1, p. 1-22.

MOTTA, J L G; FONTANA, D C; WEBER, e. Evolução temporal do NDVI/NOAA em áreas cobertas por pixels com proporções variáveis de soja. Revista Brasileira de Agrometeorologia, Santa Maria, v. 11, n. 2, p.353-369, 2003.

MULLA, D. J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, v. 114, n. 4, p.358-371, Abril 2013.

NIZEYIMANA, Egide; BICKI, Thomas J.. Soil and Soil-Landscape Relationships in the North Central Region of Rwanda, East-Central Africa. Soil Science, U.S.A., v. 153, n. 3, p.225-236, mar. 1992.

NOVO, E. M. L. M.; PONZONI, F. J. Introdução ao Sensoriamento Remoto. São josé dos Campos, p. 68. 2001.

PANNATIER, Y. VARIOWIN: Software for Spatial Data Analysis in 2D. Springer-Verlag. 1996.

PEREIRA, Hamilton Seron. Fósforo e potássio exigem manejos diferenciados. VisãoAgrícola, Piracicaba, v. 9, n. 1, p.43-46, dez. 2009.

PEREIRA, L. S.; SILVA, D. O.; PAMBOUKIAN, S. V. D. Sensoriamento Remoto Aplicado à Agricultura de Precisão no Cultivo de Bambu. Mackenzie de Engenhariae Computação, São Paulo, v. 16, n. 1, p. 8-33, 2016.

PIERCE, F. J.; NOWAK, P. Aspects of Precision Agriculture. Advances in Agronomy, v. 67, p. 1-85, 1999.

PONTELLI, Charles Bolson. Caracterização da Variabilidade Espacial das Características Químicas do Solo e da Produtividade das Culturas Utilizando as Ferramentas da Agricultura de Precisão. 2006. 112 f. Dissertação (Mestrado) - Curso de Programa de Pós-graduação em Engenharia Agrícola, Centro de Ciências Rurais, Universidade Federal de Santa Maria, Santa Maria, 2006.

RESENDE, Á. V. et al. REUNIÃO BRASILEIRA DE MANEJO E CONSERVAÇÃO DO SOLO E DA ÁGUA, 18., 2010, Teresina. Agricultura de Precisão no Brasil: Avanços, Dificuldades e Impactos no Manejo e Conservação do Solo, Segurança Alimentar e Sustentabilidade. Teresina: Embrapa Meio-Norte: Universidade Federal do Piauí, 2010.

RODRIGUES, Khalil de Menezes. Variabilidade espacial de atributos físicos, químicos e biológicos do solo e a produtividade da cana-de-açúcar. 2014. 175 f. Tese (Doutorado) - Curso de Pós-graduação em Agricultura Tropical e Subtropical,Instituto Agronômico, Campinas, 2014.

ROUSE, J. W. et al. Monitoring Vegetation Systems In The Great Plains With ERTS. In: NASA Goddard Space Flight Center 3d ERTS-1 Symp. Texas: NASA, v. 1, 1974. Cap. A20, p. 309-317.

SANTOS, J S dos et al. Identificação da dinâmica espaço-temporal para estimar área cultivada de soja a partir de imagens MODIS no Rio Grande do Sul. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 18, n. 1, p.54-63, 2014.

SALVIANO, A. A. C.; VIEIRA, S. R.; SPAROVEK, G.. Variabilidade Espacial de Atributos de Solo e de Crotalaria juncea L. em Área Severamente Erodida. Revista Brasileira de Ciência do Solo, Viçosa, v. 22, n. 1, p.115-122, 1998.

SHIRATSUCHI, Luciano Shozo et al. Sensoriamento Remoto: conceitos básicos e aplicações na Agricultura de Precisão. In: EMBRAPA (Distrito Federal). Agricultura de Precisão Resultados de um Novo Olhar. Brasília: Cubo, 2014. Cap. 4. p. 58-73.

SILVA, Fábio Moreira da et al. Variabilidade espacial de atributos químicos e de produtividade na cultura do café. Ciência Rural, Santa Maria, v. 37, n. 2, p.401-407, mar. 2007.SOUZA, L. da S.; COGO, N. P.; VIEIRA, S. R.. Variabilidade de Propriedades Físicas e Químicas do Solo em um Pomar Cítrico. Revista Brasileira de Ciência doSolo, Viçosa, v. 21, p.367-372, 1997.

SOUZA, Z. M. de; MARQUES JUNIOR, J.; PEREIRA, G. T. Variabilidade espacial daestabilidade de agregados e matéria orgânica em solos de relevos diferentes. Pesquisa Agropecuária Brasileira, Brasília, v. 39, n. 5, p. 491-499, 2004.

TANAKA, Roberto Tetsuo; MASCARENHAS, Hipólito Assunção. Correção de macronutrientes potencializa crescimento de plantas. Revista Visão Agrícola, Piracicaba, v. 5, p.21-23, jun. 2006.

VARIANI, Clever. Sensor óptico ativo como ferramenta para aplicação de nitrogênio na cultura do trigo. 2011. 109 f. Dissertação (Mestrado) - Curso de Programa de Pós-graduação em Fitotecnia, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2011.

VIEIRA, S. R. VARIABILIDADE ESPACIAL DE ARGILA, SILTE E ATRIBUTOS QUÍMICOS EM UMA PARCELA EXPERIMENTAL DE UM LATOSSOLO ROXO DE CAMPINAS (SP). Bragantia, Campinas, v. 56, n. 1, p. 181-190, 1997. Disponivel em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0006-87051997000100019&lng=pt&nrm=iso>. Acesso em: 12 Junho 2019.

VIEIRA, S. R. Geoestatística aplicada à agricultura de precisão. GIS Brasil, Curitiba,p. 53, 1998.

VIEIRA, S. R. Geoestatística em estudos de variabilidade espacial do solo. In: NOVAIS, R. F.; ALVAREZ V, V. H.; SCHAEFER, C. E. G. R. (Eds) Tópicos em ciência do solo. Viçosa: Sociedade Brasileira de Ciência do Solo, 2000. p. 1-54.

VIEIRA, S. R. et al. Geostatistical Theory and Application to Variability of Some Agronomical Properties. HILGARDIA, v. 51, n. 3, Junho 1983.

VIEIRA, S. R.; HATFIELD, J. L. Temporal variability of air temperature and remotely sensed surface temperature for bare soil. Remote Sensing, v. 5, p. 587-596, 1984.

VIEIRA, Sidney Rosa et al. Spatial variability of soil chemical properties after coffee tree removal. Revista Brasileira de Ciência do Solo, Viçosa, v. 33, n. 5, p.1507-1514, out. 2009.

ZANZARINI, Fabricio V. et al. Correlação Espacial do Índice de Vegetação (NDVI) de Imagem Landsat/ETM+ com Atributos do Solo. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 17, n. 6, p.608-614, 2013.

ZUCOLOTO, Moises; LIMA, Julião Soares de Souza; COELHO, Ruimario Inacio. Correlação e Variabilidade Espacial de Atributos Químicos do Solo e Produção de Bananeira 'Prata-Anã'. Revista Brasileira de Fruticultura, Jaboticabal, v. especial , p.479-484, out. 2011.

ANEXO A – PROCEDIMENTOS DAS ANÁLISES QUÍMICAS

pH em CaCl2 (EMBRAPA, 2009)

Foi a medição da concentração efetiva de íons H+ na solução de solo,

eletronicamente, por meio de eletrodo combinado, imerso em suspensão-solo:

solução de CaCl2 0,01 mol L-1 na proporção de 1:2,5.

Os reagentes utilizados foram:

a) Solução padrão pH 4,00: a solução padrão foi diluída conforme a orientação

do fabricante;

b) Solução padrão pH 7,00: a solução padrão foi diluída conforme a orientação

do fabricante;

c) Solução de cloreto de cálcio 0,01 mol L-1: pesou-se 9,4 g de CaCl2 p.a, passou

para o balão aferido de 10 L, foi adicionada água destilada e agitou-se para dissolver

o sal. Completou-se o volume com água destilada.

Então foram realizados os seguintes procedimentos:

a) Colocou-se 10 cm³ de TFSA em copo de plástico, numerado, de 80 mL,

de preferência de formato troncocônico;

b) Adicionou-se 25 mL de solução de CaCl2 0,01 mol L-1;

c) Agitou-se a mistura com bastão individual e foi deixado em repouso por

15 minutos para molhamento completo da mistura;

d) Agitou-se novamente cada mistura com bastão de vidro por 5 minutos;

e) Calibrou-se o aparelho com as soluções padrão de pH 4,00 e pH 7,00;

f) Efetuou-se, após o período de 30 minutos, a leitura do pH em CaCl2

0,01 mol L−1,mergulhando o eletrodo na suspensão homogeneizada, sem nova

agitação.

pH em água (EMBRAPA, 2009)

Foi a medição eletroquímica da concentração efetiva de íons H+ na solução

de solo, por meio de eletrodo combinado, imerso em suspensão solo/água na

proporção de 1:2,5.


a) Solução padrão pH 4,00: a solução padrão foi diluída conforme

orientação do fabricante;

b) Solução padrão pH 7,00: a solução padrão foi diluída conforme

orientação do fabricante.


a) Colocou-se 10 cm³ de TFSA em copo de plástico, numerado, de 100

mL;

b) Adicionou-se 25 mL de água destilada;

c) Agitou-se a mistura com bastão individual e foi deixado em repouso por

uma hora.

Extração com KCl 1 mol L-1: cálcio, magnésio e alumínio (EMBRAPA, 2009)

O Ca e o Mg trocáveis foram extraídos por KCl 1 mol L -1, em conjunto com o

Al trocável, titulando-se, numa fração do extrato, o alumínio com NaOH, na presença

de azul-de-bromotimol como indicador. Em outra fração do extrato, foram titulados o

cálcio e o magnésio por complexometria com EDTA, usando como indicador o

negro-de-eriocromo-T. Numa terceira alíquota, foi feita a determinação de cálcio por

complexometria com EDTA e ácido calcon carbônico como indicador.


a) Solução padrão pH 4,00: a solução padrão foi diluída conforme

orientação do fabricante;

b) Solução padrão pH 7,00: a solução padrão foi diluída conforme

orientação do fabricante.


d) Colocou-se 10 cm³ de TFSA em copo de plástico, numerado, de 100

mL;

e) Adicionou-se 25 mL de água destilada;

f) Agitou-se a mistura com bastão individual e foi deixado em repouso por

uma hora.

Extração com solução de Mehlich 1: fósforo, potássio, sódio e micronutrientes

(EMBRAPA, 2009)

A solução extratora de Mehlich 1 é constituída por uma mistura de HCl 0,05

mol L-1 + H2SO4 0,0125 mol L-1. O emprego dessa solução como extratora de

fósforo, potássio, sódio e micronutrientes do solo baseia-se na solubilização desses

elementos pelo efeito de pH, entre 2 e 3, sendo o papel do Cl- o de restringir o

processo de readsorção dos fosfatos recém-extraídos. Para os micronutrientes, a

relação solo:extrato sugerida é de 1:5, enquanto para os demais elementos é de

1:10.

A extração foi realizada da seguinte maneira:

a) Colocou-se 10 cm³ de TFSA em erlenmeyer de 125 mL;

b) Edicionou-se 100 mL de solução extratora duplo-ácida (HCl 0,05 mol L-

1 + H2SO4 0,0125 mol L-1);

c) Agitou-se durante cinco minutos em agitador circular;

d) Foi deixado decantar durante uma noite, após desfazer os montículos

que se formaram no fundo dos erlenmeyers.

Fósforo “disponível” (EMBRAPA, 2009)

O fósforo extraído foi determinado espectrofotometricamente, por meio da

leitura da intensidade da cor do complexo fosfomolibdico, produzido pela redução do

molibdato com o ácido ascórbico.


a) Solução extratora duplo-ácida (HCl 0,05 mol L-1 + H2SO4 0,0125 mol L-

1): adicionou-se 43 mL de ácido clorídrico p.a. (d=1,19) e 6,9 mL de ácido sulfúrico

p.a. (d=1,84) em aproximadamente 5 L de água destilada, contidos em balão aferido

de 10 L. Agitou-se, então completou-se o volume com água destilada;

b) Solução ácida de molibdato de amônio (concentrada): pesou-se 2,00 g

de subcarbonato de bismuto. Colocou-se em balão aferido de 1 L contendo

aproximadamente 250 mL de água destilada. Juntou-se, rapidamente, 150 mL de

ácido sulfúrico concentrado p.a. Verificou-se se todo sal de bismuto foi dissolvido.

Deixou-se esfriar. Preparou-se solução de molibdato de amônio: 20,00 g em 200 mL

de água destilada. Transferiu-se essa solução para o balão de 1 L. Agitou-se.

Completou-se o volume com água destilada e estocou-se;

c) Solução ácida de molibdato de amônio (diluída): colocou-se 300 mL da

solução concentrada em balão aferido de 1 L. Completou-se o volume com água

destilada. Homogeneizou-se. Guardou-se em frasco escuro;

d) Solução padrão de fósforo (50 mg de P/L): pesou-se 0,2195 g de

KH2PO4 p.a., previamente seco em estuda a 105 ºC. Dissolveu-se em água destilada

contida em balão aferido de 1 L. Adicionou-se 3 mL de H2SO4 concentrado, para

assegurar a perfeita dissolução do fosfato. Completou-se o volume com água

destilada. Estocou-se;

e) Soluções padrão de fósforo (1 mg, 2 mg, 3 mg e 4 mg de P/L): pipetou-

se 5mL, 10 mL, 15 mL e 20 mL de solução de 50 mg de P/L. Colocou-se em balões

aferidos de 250 mL. Completou-se o volume com solução extratora. Essas quatro

soluções tinham, respectivamente, 1 mg, 2 mg, 3 mg e 4 mg de P/L. Guardou-se em

frascos tampados, identificados com a concentração da solução.

A determinação foi feita da seguinte maneira:

a) Pipetou-se, sem filtrar, 25 mL do extrato. Passou-se para recipiente de

plástico de aproximadamente 30 mL;

b) Pipetou-se, exatamente, 5 mL desse extrato e colocou-se em

erlenmeyer de 125 mL. Reservou-se o restante para determinação de K+ e Na+;

c) Adicionou-se 10 mL de solução ácida de molibdato de amônio diluída.

Juntou-se uma medida calibrada (+- 30 mg) de ácido ascórbico em pó;

d) Agitou-se durante 1 ou 2 minutos no agitador horizontal circular;

e) Deixou-se desenvolver a cor durante uma hora;

f) Efetuou-se a leitura da densidade ótica no fotocolorímetro, usando filtro

vermelho, comprimento de onda 660 nm. Anotou-se.

Por fim, foi realizado o cálculo seguindo os procedimentos:

a) Preparo da reta de padrões: colocou-se 5 mL de cada solução padrão

diluída (1 mg, 2 mg, 3 mg e 4 mg de P/L) em erlenmeyers de 125 mL. Adicionou-se

10 mL de solução ácida de molibdato de amônio e uma medida calibrada (+- 30 mg)

de ácido ascórbico. Fez-se três repetições de cada padrão. Decorrido o tempo para

o completo desenvolvimento da cor, efetuou-se a leitura, anotando-as, em

absorbância, correspondentes a cada padrão;

b) Com o colorímetro bem regulado, as leituras desses quatro padrões

guardaram proporções constante e, plotadas em um gráfico, forneceram uma reta

que passa pela origem. Dessa forma, foi possível estabelecer, com segurança, um

único fator (Fp) para as interpolações. O fator Fp é o coeficiente angular da reta

obtida, grafando-se os valores de concentração de fósforo dos padrões no eixo das

abscissas e as respectivas leituras no eixo das ordenadas;

c) Teor de fósforo no solo: considerando que a concentração de fósforo

na amostra sofreu diluição de 1:10 na extração, para obtenção direta da

concentração de fósforo na TFSA o fator Fp deve ser multiplicado por 10. Assim, o

cálculo do teor de fósforo assimilável na amostra foi obtido convertendo-se a leitura

efetuada no aparelho em mg de P/dm³ de solo, por meio da reta padrão e de acordo

com a equação (3):

mgde P/d m3naTFSA=leitura∗10 Fp (3)

Potássio trocável (EMBRAPA, 2009)

Método direto pelo fotômetro de chama, utilizando os seguintes reagentes:

a) Solução extratora duplo-ácida (HCl 0,05 mol L-1 + H2SO4 0,0125 mol L-

1): adicionou-se 43 mL de ácido clorídrico p.a. (d=1,19) e 6,9 mL de ácido sulfúrico

p.a. (d=1,84) em aproximadamente 5 L de água destilada, contidos em bação aferido

de 10 L. Agitou-se, então completou-se o volume com água destilada;

b) Solução padrão de potássio (10,00 mmol de K+/L): pesou-se 0,7460 g

de KCl p.a., previamente seco em estufa a 105 ºC. Passou-se para balão aferido de

1 L. Dissolveu-se e completou-se o volume com água destilada. Estocou-se;

c) Solução padrão de potássio (1,0 mmol de K+/L): pipetou-se 100 mL da

solução de 10,0 mmol de K+/L. Passou-se para o balão aferido de 1 L. Completou-se

o volume com água destilada e estoucou-se;

d) Soluções padrão de potássio (0,1 mmol; 0,2 mmol; 0,3 mmol e 0,4

mmol de K+/L): pipetou-se 50 mL, 100 mL, 150 mL e 200 mL da solução padrão de

1,0 mmol de K+/L. Colocou-se em balões aferidos de 500 mL. Completou-se o

volume com solução extratora. Transferiu-se para frascos apropriados. Identificou-se

cada um deles com a concentração correspondente: 0,1 mmol; 0,2 mmol; 0,3 mmol

e 0,4 mmol de K+/L.

A determinação foi feita da seguinte forma:

a) Utilizou-se a parte do extrato (20 mL) que foi reservada para as

determinações de K+ e Na+, quando da retirada da alíquota para a determinação do

fósforo;

b) Antes de proceder a leitura da amostra, selecionou-se o filtro próprio

para potássio. Aferiu-se o fotômetro com água destilada no ponto zero e com

solução padrão de 0,2 mmol de K+/L no valor correspondente ao centro da escala;

c) Levou-se o extrato ao fotômetro de chama. Efetuou-se a leitura na

escala do aparelho. Anotou-se.

Para o cálculo foi necessário:

a) Preparo da reta padrão: selecionou-se o filtro próprio para potássio.

Aferiu-se o fotômetro com água destilada no ponto zero. Levou-se as quatro

soluções padrão diluídas (0,1 mmol; 0,2 mmol; 0,3 mmol e 0,4 mmol de K+/L) ao

fotômetro de chama. Efetuou-se as leituras correspondentes. Anotou-se. Elaborou-

se gráfico cujas concentrações de padrões estivessem colocadas no eixo das

abscissas e as leituras, no eixo das ordenadas. Unindo os pontos, obteve-se a reta

padrão, que passa pela origem. O fator Fk é o coeficiente angular dessa reta;

b) Teor de potássio no solo;

c) Por causa da diluição de 1:10 na extração, as concentrações de K+ nos

padrões em mmol L-1 correspondem aos teores de potássio da amostra, em cmolc

dm-3. Assim, o cálculo do teor de potássio trocável na amostra é dado pela equação

(4):

mgde K+¿/dm3naTFSA=leitura∗F k∗390¿ (4)

Acidez potencial (hidrogênio + alumínio) (EMBRAPA, 2009)

Extração de acidez potencial de solos com solução de acetato de cálcio e

titulação alcalimétrica do extrato. A extração do H+ + Al3+ pelo acetato de cálcio é

baseada na propriedade tampão do sal, decorrente da presença de ânions acetatos.

Com o pH ajustado em 7,0 ele extrai grande parte da acidez potencial do solo até

esse valor de pH.


a) Solução extratora de acetato de cálcio 0,5 mol/L pH 7,1-7,2: pesou-se

88,10 g de acetato de cálcio [(Ch3COO)2Ca.H2O] p.a. Colocou-se em bação aferido

de 1 L. Dissolveu-se e completou-se o volume com água destilada. Corrigiu-se o pH

para 7,1-7,2 com ácido acético glacial, pingando gota a gota e agitando com bastão

de vidro;

b) Solução de NaOH 0,025 mol L-1: pipetou-se 25 mL da solução de

NaOH 1 mol L-1. Passou-se para o balão volumétrico de 1 L. Completou-se o volume

com água destilada e homogeneizou-se;

c) Fenolftaleína a 10 g L-1: pesou-se 1,00 g de fenolftaleína. Colocou-se

em balão aferido de 100 mL. Dissolveu-se e completou-se o volume com álcool

absoluto;

d) Solução de NaOH 0,1 M: pipetou-se 100 mL da solução de NaOH 1 M.

Passou-se para o balão volumétrico de 1 L. Completou-se o volume com água

destilada e homogeneizou-se.

e) Solução de HCl 0,1 M: tomou-se 8,3 mL de HCl concentrado, p.a., d =

1,19 e 37 %. Passou-se para balão de aferido de 1 L. Completou-se o volume com

água destilada.

A extração foi feita da seguinte forma:

a) Colocou-se 5 cm³ de TFSA em erlenmeyer de 125 mL;

b) Adicionou-se 75 mL de solução de acetato de cálcio 0,5 mol L -1 pH 7,1

– 7,2;

c) Arrolou-se imediatamente. Agitou-se algumas vezes durante o dia;

d) Deixou-se decantar durante uma noite, após desfazer os montículos

que se formaram no fundo dos erlenmeyers.

Para a determinação, seguiu-se os procedimentos:

a) Pipetou-se 25 mL do extrato. Passou-se para béquer de 100 mL;

b) Titulou-se com solução de NaOH 0,025 mol L-1, usando 3 gotas de

fenolftaleína a 10 g L-1 como indicador. A titulação se completou quando o líquido,

antes incolor, apresentou uma cor obtida nessa prova;

c) Efetuou-se prova em branco, estabelecendo o ponto de viragem de

cada amostra em comparação com a tonalidade do róseo obtida nessa prova;

d) Anotou-se o número de mililitros gastos na titulação da amostra e da

prova em branco.

Valor S, valor CTC e valor V (EMBRAPA, 2009)

Os cálculos dos valores S (soma de bases trocáveis), CTC (capacidade de

troca de cátions) e V (índice de saturação por base) foram realizados da seguinte

forma:

a) Valor S: é calculado em cmolc dm-3 de TFSA de acordo com a equação

(5):

S=Ca2+¿+Mg2+¿+K+¿+Na+¿ ¿ ¿¿ ¿ (5)

b) Valor CTC: corresponde à soma das bases trocáveis mais a acidez

potencial, é calculada em cmolc dm-3 de TFSA de acordo com a equação (6):

CTC=S+H+¿+Al3+¿¿ ¿ (6)

c) Valor V: é calculado em porcentagem de acordo com a equação (7):

V=100∗ST

(7)

Matéria Orgânica – método colorimétrico (EMBRAPA, 2009)

A determinação da quantidade de matéria orgânica em solos baseia-se na

sua oxidação a CO2 por íons dicromato, em meio fortemente ácido.

Em amostras que exigem maior precisão, a determinação da quantidade de

íons Cr(III) reduzidos é feita indiretamente, por titulação dos íons dicromato em

excesso, com íons Fe2+. Alternativamente, pode-se determinar diretamente a

quantidade de íons Cr (III) por colorimetria, medindo a intensidade da cor

esverdeada produzida por esses íons em solução.

O método colorimétrico baseia-se na leitura colorimétrica da cor verde do íon

Cr(III) reduzido pelo carbono orgânico. Esse método utiliza o dicromato de sódio no

lugar do de potássio, por causa da maior solubilidade do primeiro. Além disso, a

oxidação da matéria orgânica é feita a frio, apenas agitando-se o solo em uma

solução contendo dicromato de sódio e ácido sulfúrico.

As soluções e amostras utilizadas para a curva padrão foram:

a) Solução contendo 0,667 mol L-1 de dicromato de sódio e 5 mol L-1 de

ácido sulfúrico: dissolveu-se 200 g de Na2Cr2O7.2H2O comercial em cerca de 600 mL

de água destilada. Adicionou-se, lentamente e com resfriamento, 280 mL de ácido

sulfúrico comercial concentrado. Após refriar, completou-se o volume a 1 L e

homogeneizou-se;

b) Amostras de solo para curva padrão: escolheu-se um conjunto de 12

amostras de solo que continham teores de matéria orgânica com ampla variação de

valores, bem distribuídos na faixa de teores de maior interesse prático, e foram

analisadas pelo método volumétrico, utilizando esses valores para a calibração do

método colorimétrico.

O procedimento analítico foi realizado da seguinte forma:

a) Transferiu-se 1 cm³ de terra para frasco cilíndrico de 100 mL. Realizou-

se uma prova em branco completa, sem terra;

b) Adicionou-se, com dispensador, 10 mL da solução de Na2Cr2O7 em

ácido sulfúrico;

c) Agitou-se durante 10 minutos, em agitador com movimento circular-

horizontal, com velocidade mínima de 180 rpm;

d) Após um repouso de uma hora, adicionou-se 5- mL de água, usando

dispensador, com um jato forte para promover a mistura das soluções. Foi deixado

decantar durante a noite;

e) No dia seguinte, transferiu-se o líquido sobrenadante para a cela de

medida do espectrofotômetro, com filtro de transmissão de 650nm. Acertou-se o

zero do aparelho a prova em branco completa;

f) Calculou-se os resultados a partir da curva padrão;

g) Calibrou-se o método colorimétrico em relação aos resultados do

método volumétrico.

Para calibrar o método colorimétrico:

a) Analisou-se, pelo método colorimétrico, o conjunto de amostras

selecionadas;

b) Colocou-se em gráfico os valores de absorbância contra os teores de

matéria orgânica previamente determinados pelo método volumétrico. A curva

padrão foi traçada por modelo matemático que mor se ajustou aos resultados

obtidos pelas leituras colorimétricas e aos teores do elemento C estabelecidos pelo

método de referência laboratorial em amostras previamente conhecidas;

Para a determinação da matéria orgânica foi utilizada a equação (8):

MO=256,4∗A−0,385 (8)

Onde A é o valor de absorbância da matéria orgânica.

correlaÇÃo do Índice de vegetaÇÃo por diferenÇa...

Documents