Métodos de colocalização de dados espaciais de condutividade elétrica aparente e teor de argila do solo

Abstract

O setor agrícola é um grande consumidor de tecnologia. Atualmente, o campo busca por mais informação para viabilizar e impulsionar a lucratividade e sustentabilidade. A agricultura de precisão se mostra então como uma saída para melhor alocação de recursos considerando a variabilidade espacial da lavoura. No entanto, encontrar essas variabilidades pode ser uma tarefa laboriosa pelos métodos amostrais tradicionais. No caso do entendimento da variação do solo, uma solução que vem sendo utilizada é o uso de sensores a campo, que geram uma grande densidade amostral e auxiliam na melhor escolha de pontos de coleta. Contudo, em muitos casos se faz necessário a colocalização das amostras de duas ou mais variáveis coletadas, como nos estudos de causa e efeito. Existem diversos processos que podem ser utilizados, como região de influência (buffers) e interpolações e, a depender de qual processo aplicado, altera-se o valor final da análise. A fim de comprovar a influência desses processos em uma análise de correlação, foram realizadas avaliações de condutividade elétrica aparente do solo e coleta de amostras de solo, para mensuração do teor de argila. Posteriormente, foi realizada a colocalização, utilizando os métodos de buffer com 15 e 30 metros, média por zonas homogêneas, interpolação por inverso da distância, inverso da distância ao quadrado e ao cubo, krigagem universal, krigagem em bloco de três por três e krigagem em bloco de seis por seis. Os valores pareados e com as mesmas localizações foram correlacionados por meio do método de Pearson. O buffer com raio de 30 metros foi o que ofereceu maior correlação dos dados do sensor com o teor de argila encontrado nas amostras de solo. Já a clusterização por k-means aplicando três classes foi a que apresentou menor valor de correlação. Os métodos utilizados para colocalização influenciam a correlação entre os atributos CEa e teor de argila.

The agricultural sector is a major technology consumer. Currently, the field is seeking more information to enable and generate profitability and sustainability. Precision agriculture is thus seen as a way to better allocate resources considering the spatial variability of labor. However, finding these variabilities can be a laborious task using traditional sampling methods. In the case of understanding soil variation, one solution that has been used is the use of field sensors, which generate a high sampling density and assist in the best choice of collection points. However, in many cases it is necessary to colocalize samples of two or more collected variables, as in cause and effect studies. There are several processes that can be used, such as region of influence (buffers) and interpolations, and depending on the process applied, the final value of the analysis changes. To prove the influence of these processes on a surface analysis, assessments of the apparent electrical conductivity of the soil and collection of soil samples to measure the clay content were carried out. Subsequently, colocalization was performed using the 15 and 30 meters buffer methods, wetland average, inverse distance interpolation, inverse distance squared and cubed, universal kriging, three by three block kriging, and six by six block kriging. Paired values with the same locations were correlated using the Pearson method. The 30 meters buffer provided the greatest exposure of the sensor data with the clay content found in the soil samples. The k-means clustering applying three classes presented the lowest clarification value. The methods used for colocalization influence the brightness between the CEa and clay content attributes.