i 
 

 

  UNIVERSIDADE ESTADUAL PAULISTA - UNESP 
CÂMPUS JABOTICABAL 

 
 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
VARIABILIDADE ESPAÇOTEMPORAL DA FERTILIDADE DO 

SOLO EM NDVI EM ÁREA DE CERRADO BRASILEIRO 
 
 

Ludhanna Marinho Veras 
Mestre em Ciência do Solo 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

2023 



ii 
 

 

UNIVERSIDADE ESTADUAL PAULISTA -UNESP 
CÂMPUS JABOTICABAL 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

VARIABILIDADE ESPAÇOTEMPORAL DA FERTILIDADE DO 
SOLO EM NDVI EM ÁREA DE CERRADO BRASILEIRO 

 

Discente: Ludhanna Marinho Veras 
Orientador: Prof. Dr. Alan Rodrigo 
Panosso  
Coorientadora: Prof. Dr. Teresa Cristina 
Pissara Tarlé 

 
Tese apresentada à Faculdade de Ciências 
Agrárias e Veterinárias – Unesp, Campus de 
Jaboticabal, como parte das exigências para a 
obtenção de título de Doutora em Agronomia 
(Ciência do Solo). 

 
 
 
 
 
 
 
 
 
 
 
 

2023 



iii 

Sistema de geração automática de fichas catalográficas da Unesp. Biblioteca da Faculdade de 

Ciências Agrárias e Veterinárias, Jaboticabal. Dados fornecidos pelo autor(a). 

Essa ficha não pode ser modificada 

V476v 

Veras, Ludhanna Marinho 

Variabilidade espaço temporal da fertilidade do solo em ndvi 
em área de cerrado brasileiro / Ludhanna Marinho Veras. -- 

Jaboticabal, 2023 

83 p. : tabs., mapas 

Tese (doutorado) - Universidade Estadual Paulista 

(Unesp), Faculdade de Ciências Agrárias e Veterinárias, 

Jaboticabal 

Orientadora: Alan Rodrigo Panosso 

Coorientadora: Teresa Cristina Pissara Tarlé 

1. Anisotropia. 2. Dimensão fractal. 3. NDVI. 4. Agricultura

sustentável. 5. Conservação do solo. I. Título. 



iv 

REGISTRO DE IMPACTO 

O trabalho analisa as variações espaciais e temporais da fertilidade do solo para o 

desenvolvimento da agricultura tropical com práticas sustentáveis. Os resultados 

trazem pontos de mudanças significativas na produção agrícola, abordando 

questões importantes para o desenvolvimento de estratégias no manejo de áreas 

produtivas, compreendendo práticas que venham contribuir com uma agricultura 

sustentável, produção responsável, preservação de recursos naturais e 

consequentemente combate a mudança climática e seus impactos. 

IMPACT RECORD 

The work analyzes the spatial and temporal variations of soil fertility for the 

development of tropical agriculture with sustainable practices. The results bring 

significant shifts in agricultural production addressing important issues for developing 

strategies in managing productive areas, understanding practices that contribute to 

sustainable agriculture, responsible production, preservation of natural resources, 

and thereby combat climate change and its impacts. 



v 



vi 



vii 

DADOS CURRICULARES DA AUTORA 

LUDHANNA MARINHO VERAS – nascida em 22 de setembro de 1989, na cidade 

de Itaituba – PA. Filha de Antônio José soares Veras e Laurenice Penha Marinho. 

Ingressou no Curso de Engenharia Agronômica pela Universidade Federal do 

Maranhão (UFMA), Chapadinha-MA, em agosto do ano de 2011. Foi bolsista de 

iniciação científica da FAPEMA pela Universidade Federal do Maranhão (UFMA), 

onde foi colaboradora do projeto “Otimização da Produção de Etanol no Estado do 

Maranhão com Preservação da Qualidade da Água e do Ar” e “Seleção de genótipos 

de girassol para produção de biodiesel no estado do Maranhão com preservação da 

qualidade ambiental”. Em agosto de 2017 iniciou o Curso de Mestrado em 

Agronomia (Ciência do Solo), na Faculdade de Ciências Agrárias e Veterinárias 

(FCAV-UNESP), Câmpus de Jaboticabal-SP, sendo bolsista CAPES. Sendo 

aprovada no Curso de Doutorado em Agronomia (Ciência do Solo) em março de 

2019. Em 2022 foi aprovada para atuar como Agente de Inovação Local - Rural, pelo 

Sebrae, onde trabalha com o fomento ao sucesso de negócios rurais por meio da 

educação empreendedora e dos ecossistemas de inovação. Em maio de 2023, 

obteve o título de doutora em Agronomia com ênfase em Ciência do Solo. 



viii 

“Tente uma, duas, três vezes e se possível tente a 

quarta, a quinta e quantas vezes for necessário. Só não 

desista nas primeiras tentativas, a persistência é amiga 

da conquista. Se você quer chegar a aonde a maioria 

não chega, faça o que a maioria não faz.” 

Bill Gates 



ix 

DEDICO 

À Deus,  
À minha família. 

OFEREÇO 

Aos meus amigos 



x 

AGRADECIMENTO 

À Deus, por ter me concedido tantas bênçãos e por iluminar minha vida diariamente. 

À minha mãe, meu exemplo de força, dedicação e amor. Meu apoio de sempre, sem 

o qual eu jamais conseguiria conquistar tudo o que conquistei e que nunca mediu

esforços para que eu concretizasse todos os meus sonhos 

Ao meu pai Antônio (in memorian), pelo apoio e sacrifícios que fez por mim em vida. 

Amo você mais do que consigo expressar. 

Ao meu irmão Antonyere, por ser o meu maior incentivador e mesmo distante 

sempre foi meu maior defensor. 

Ao meu padrasto, com quem não divido o mesmo sangue, mas que ama minha 

família incondicionalmente.  

À minha grande, unida e ouriçada família, que sempre entende minhas faltas em 

datas comemorativas, mas que sempre me acolhe quando preciso.   

Ao meu trio Rayanne Rocha, Leticiane Pereira e Isadora Morais, irmãs de vida com 

quem compartilhei as melhores histórias ao longo da minha juventude.  

Ao Professor Alan Rodrigo Panosso, meu orientador. Agradeço pela paciência, pelo 

apoio e por todos os ensinamentos ao longo desses 6 anos. O senhor é um ser 

humano incrível!   

À Pesquisadora Dra. Teresa Cristina, por me aceitar como coorientada e me apoiar 

na continuação da pesquisa e na redação científica. A senhora é enorme! 

Aos professores Gener Tadeu e Marcilio por terem contribuído para a melhoria da 

Tese como banca examinadora no exame Geral de qualificação. 

As companheiras de casa que dividiram o mesmo teto comigo quando cheguei em 

Jaboticabal, Bruna e Wellyne. 

Ao Gustavo André, amigo e irmão de outros caminhos com que dividi histórias, 

jornadas, emoções e aventuras.  

À Camila, Deise Cristina, Kamilla, Kleve, Maria Elisa, Paulo e Katharine pela 

amizade, pelos ouvidos emprestados nas horas de desespero.  



xi 

As amigas e funcionárias do departamento de Ciências Exatas, Zezé, Adriana e 

Shirley pelo carinho, zelo e disponibilidade em sempre nos atender. 

Ao Fabrício Galatti, meu amigo e companheiro, com quem tenho dividido as alegrias 

da vida. Obrigada pelo carinho, cuidado, apoio, parceria e paciência. 

Aos amigos do Proagros, onde iniciei os caminhos da pesquisa. 

Ao Grupo de Pesquisa em Política de Uso do Solo (PolUS). 

Ao Programa de Pós-Graduação em Agronomia (Ciência do Solo) da Universidade 

Estadual de São Paulo (UNESP), Câmpus de Jaboticabal, SP. 

À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) 

– Código de financiamento 001.

O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de 

Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001.

A todas as pessoas que contribuíram para a realização desse trabalho de maneira 

direta ou indireta, muito obrigada! 



xii 
 

 

SUMÁRIO 

     

LISTA DE FIGURAS ....................................................................................................... xiv 

LISTA DE TABELAS ........................................................................................................ xv 

LISTA DE ABREVIATURAS E SIGLAS .......................................................................... xvi 

RESUMO ............................................................................................................................. i 

ABSTRACT: ...................................................................................................................... iii 

CAPÍTULO 1 - Considerações Gerais .............................................................................. 1 

1.1 Introdução ..................................................................................................................... 1 

1.2 Revisão De Literatura ................................................................................................... 3 

1.2.1 A importância da cana-de-açúcar no cenário mundial e brasileiro ............................. 3 

1.2.2 Variabilidade dos atributos físicos e químicos do solo ............................................... 5 

1.2.3 O Uso de Sensoriamento Remoto na Agricultura ..................................................... 6 

1.2.4 Teorias e Aplicações da Análise Fractal ................................................................... 9 

1.3 Referências ............................................................................................................ 12 

CAPITULO 2 - DINÂMICA TEMPORAL DA FERTILIDADE DO SOLO NA ÁREA DE 

CANA DE AÇÚCAR COM ÊNFASE NA PRODUÇÃO SUSTENTÁVEL .......................... 24 

2.1 Introdução ................................................................................................................... 26 

2.2 Materiais e Métodos .................................................................................................... 28 

2.2.1 Instalação e Condução do Experimento................................................................... 29 

2.2.3 Determinação dos atributos do Solo ........................................................................ 29 

2.2.4 Análise Fractal dos Resultados ................................................................................ 30 

2.3 Resultados e Discussão.............................................................................................. 31 

2.3.1 Variabilidade Espaçotemporal dos atributos estudados ........................................... 31 

2.4 Conclusão ................................................................................................................... 39 

2.5 Referências ................................................................................................................. 39 

CAPÍTULO 3 – DIMENSÃO FRACTAL DA REFLECTÂNCIA DA CULTURA DA 

CANA-DE-AÇÚCAR NA REGIÃO CENTRAL DO BRASIL…………………………47 



xiii 
 

 

 
3.1 Introdução ................................................................................................................... 48 

3.2 Material e Métodos ..................................................................................................... 50 

3.2.1 Caracterização da área de estudo ........................................................................... 50 

3.2.1 Instalação do Experimento ....................................................................................... 50 

3.2.2 Coleta e amostragem do NDVI na área estudada .................................................... 51 

3.2.3 Análises estatísticas e Fractal dos dados coletados ................................................ 51 

3.3 Resultados e Discussão.............................................................................................. 52 

3.3.1 Variabilidade Espaçotemporal dos atributos estudados ........................................... 54 

3.4 Conclusão ................................................................................................................... 58 

3.5 Referências ................................................................................................................. 58 

CAPÍTULO 4 - Considerações Finais ............................................................................. 63 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



xiv 
 

 

LISTA DE FIGURAS 
 

Figura 1.  Principais países produtores de cana-de-açúcar do mundo.......................2 

Figura 2. Níveis da Curva de Koch............................................................................10 

Figure 3. Geographical location of the study area……………………........................27 

Figura 4. Fractal dimension (DF) in different directions of the soil attributes under 

sugarcane cultivation. (CEC, Ca, K, Mg) ...................................................................34 

Figura 5. Fractal dimension (DF) in different directions of the soil attributes under 

sugarcane cultivation. (CEC, OM, pH) ......................................................................35 

Figura 6. Precipitação e temperatura da área de estudo ao longo dos cortes 

realizados...................................................................................................................51 

Figura 7. Gráfico de rosas do NDVI ao longo dos cortes observados, na direção de 

0º a 330º.....................................................................................................................53 

 

 

 

 

 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 



xv 
 

 

LISTA DE TABELAS 
 

 

Table 1. Table of classification standards of soil Cation exchange capacity (CEC)..30 

Table 2. Descriptive statistics of variables in the sugarcane cultivation area …........31 

Tabela 3. Estatística descritiva do NDVI ao longo dos cortes observados................52 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 



xvi 
 

 

LISTA DE ABREVIATURAS E SIGLAS 

° – Grau 

°C – Grau Celsius 

AP - Agricultura de Precisão 

Ca - Cálcio 

CONAB - Companhia Nacional de Abastecimento 

CTC - Capacidade de Troca Catiônica 

CV - Coeficiente de Variação) 

DF - Dimensão Fractal 

EOS - Earth Observing System  

ESE - Earth   Science Enterprises 

FAO - Food and Agriculture Organization 

GEE - gases de efeito estufa 

K - Potássio 

KCl - Cloreto de potássio 

MAP - Fosfato monoamônico 

Mg - Magnésio 

MO - Matéria Orgânica 

MODIS – Moderate Resolution Imaging Spectroradiometer 

MODIS / AQUA - Moderate-Resolution Imaging Spectroradiometer, a bordo do 

satélite Aqua (EOS PM-1) 

MODIS / TERRA – Moderate-Resolution Imaging Spectroradiometer, a bordo do 

satélite Terra (EOS AM-1) 

Mt – megatonelada 

NASA / POWER – NASA's Prediction of Worldwide Energy Resources 

NDVI – Índice de Vegetação da Diferença Normalizada 



xvii 
 

 

NIR - faixa do infravermelho próximo  

ONU - Organização das Nações Unidas 

pH - potencial hidrogeniônico 

RED - faixa do vermelho  

UNFPA – United Nations Population Fund 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 

https://www.unfpa.org/


i 
 

 

VARIABILIDADE DA FERTILIDADE DO SOLO E NDVI EM ÁREA DE CERRADO 
BRASILEIRO 

 

 

RESUMO: A demanda por alimentos é crescente. Até 2050 teremos que produzir 

alimentos para 9 bilhões de pessoas. Portanto, os sistemas de produção devem 

possuir alto rendimento e qualidade. O Brasil é um exportador de commodities que 

se mostra fundamental para suprir essa demanda futura. Elevar a produtividade das 

áreas de lavouras com meios mais eficientes de monitoramento é um dos desafios. 

O estudo objetiva o uso de ferramentas da agricultura de precisão para conhecer 

variabilidade da área de estudo, com a finalidade de uma agricultura sustentável 

com maior assertividade, maiores produtividade e redução de custos, por meio da da 

geoestatística e do sensoriamento remoto. Estudar a diferença de escala e variações 

em áreas de produção ajuda na compreensão da dinâmica da vegetação e sua 

interação com outros componentes. A variabilidade dos atributos K e o pH do solo 

(DF<3) foi encontrada ao longo do desenvolvimento da cultura. Já o Mg (Magnésio) e 

a MO (Matéria Orgânica) apresentaram valores de DF (Dimensão Fractal) igual 3 ou 

maior 3 ao longo dos cortes realizados. O estudo mostra que o solo do Cerrado é 

heterogêneo e que a calagem para a correção da acidez do solo e as adubações 

devem considerar a variabilidade do solo. Em relação ao NDVI o 1º corte, se 

mostrou padronizado com a presença anisotrópica no ângulo de 120º e 300º (DF = 3 

ou DF >3). O NDVI apresentou dependência espacial no ângulo de 60°,150° e 330º 

(DF<3). A anisotropia (DF = 3 ou DF >3) ocorreu no mesmo ângulo do 1º corte (120º 

e 300º), padrão que se repetiu no 3º corte. Os valores do mínimo e máximo (0. 292 - 

0.675) do NDVI demonstraram que a radiação que é refletida pela superfície da 

cana-de-açúcar varia ao longo do tempo. Os valores de média 0.607, 0.546 e 0.586, 

no 1º, 2º e 3º corte, respectivamente, mostrou o vigor da cana-de-açúcar nos cortes 

iniciais apresentado uma tendência a queda a partir do 4º corte. O NDVI apresentou 

DF = 3 ou DF >3 no 1º, 2º e 3º corte, nos mesmos ângulos estudados o de 120º e 

300º. Ao longo dos cortes ocorreu o efeito de anisotropia de refletância de superfície 

no NDVI, o que indica a influência de declividade e da linha de plantio na reflectância 

cana-de-açúcar. A dimensão fractal se mostrou uma ferramenta importante para a 



ii 
 

 

caracterização da anisotropia, se mostrando sensível a elementos externos como o 

relevo, chuva, ações antrópicas e cobertura vegetal. 

 

 

Palavras chaves: Anisotropia; Dimensão Fractal; Atributos do Solo; Reflectância; 

Agricultura Sustentável. 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 



iii 
 

 

SOIL FERTILITY VARIABILITY AND NDVI IN BRAZILIAN CERRADO 
AREA 

 
 
 

ABSTRACT: The demand for food is growing. By 2050 we will have to produce food 

for 9 billion people. Therefore, production systems must have high yields and quality. 

Brazil is a commodity exporter that proves to be fundamental to supplying this future 

demand. Increasing the productivity of crop areas with more efficient means of 

monitoring is one of the challenges. The objective of the study is to use precision 

agriculture tools to know the variability of the study area, with the aim of sustainable 

agriculture with greater assertiveness, higher productivity, and cost reduction, 

through geostatistics and remote sensing tools. Studying the difference in scale and 

variations in production areas helps in understanding the dynamics of vegetation and 

its interaction with other components. The variability of K attributes and soil pH 

(DF<3) was observed throughout the crop development. On the other hand, Mg 

(Magnesium) and OM (Organic Matter) presented values of DF (Fractal Dimension) 

equal to 3 or greater than 3 along the cuts performed. The study shows that Cerrado 

soil is heterogeneous and that liming to correct soil acidity and fertilization must 

consider soil variability. The NDVI in the 1st cut was standardized with an anisotropic 

presence at angles of 120º and 300º (DF = 3 or DF >3). In the 2nd cut, we have the 

presence of variability structure. The NDVI showed spatial dependence at angles of 

60°, 150°, and 330° (DF<3). The anisotropy (DF = 3 or DF >3) occurred at the same 

angle as the 1st cut (120º and 300º), a pattern that was repeated in the 3rd cut. The 

minimum and maximum values (0.292 - 0.675) of the NDVI indicated that the 

radiation that is reflected by the sugarcane surface varies over time. The mean 

values of 0.607, 0.546, and 0.586, in the 1st, 2nd, and 3rd cut respectively, showed the 

vigor of the sugarcane in the initial cuts, showing a downward trend from the 4th cut. 

The NDVI presented DF = 3 or DF >3 in the 1st, 2nd, and 3rd cut at the same studied 

angles, 120º and 300º. The effect of anisotropy of surface reflectance in the NDVI 

occurred along the cuts, which indicates the influence of slope and planting row on 

sugarcane reflectance. The fractal dimension proved to be an important tool for the 

characterization of anisotropy, being sensitive to external elements such as relief, 

rain, anthropic actions, and vegetation cover. 



iv 
 

 

Keywords: Anisotropy; Fractal Dimension; Soil Attributes; Reflectance; Sustainable 

Agriculture. 

 



1 
 

 

CAPÍTULO 1 - Considerações Gerais 
 

1.1 Introdução 
 

A demanda por alimentos tem aumentado rapidamente. Uma das justificativas 

é o crescimento significativo da população ano após ano. De acordo com a UNFPA e 

a ONU a população mundial deve atingir 9 bilhões de pessoas até 2050, o que vem 

a ocasionar um aumento de até 70% na demanda por alimentos. Para alimentar 

bilhões de pessoas, os sistemas de produção devem possuir alto rendimento e 

qualidade, o que é um desafio. Além disso, as questões energéticas têm atraído 

grande atenção devido à estreita relação com o desenvolvimento econômico, a 

estabilidade social e a proteção ambiental, especialmente em países em 

desenvolvimento (Mohlin et al. 2018), o que despertou nas últimas décadas a busca 

por fontes de energia renovável e tem incentivado o desenvolvimento de uma nova 

matriz energética capaz de atender à crescente demanda de energia global, por 

meio de uma produção sustentável e, ao mesmo tempo, evitar a competição com a 

produção de alimentos (Carvalho-Netto et al., 2014). 

A agricultura é uma atividade impulsionadora da economia brasileira, onde o 

desenvolvimento desse setor se deu em grande parte em áreas do Cerrado, que é 

bastante conhecido por ser uma região de topografia plana, que facilita a 

mecanização, com áreas naturalmente férteis (Costa; Borges, 2009; Silva et al., 

2021). De acordo com Dutra (2019), o Cerrado é um bioma que se encontra em um 

estágio de maturidade evolutiva, isto é, já alcançou o clímax no que tange ao seu 

processo de formação, pensado a partir de uma perspectiva ambientalmente 

dinâmica, com um sistema biogeográfico, sobretudo do Cerrado goiano, classificado 

como a savana mais rica do planeta quanto à biodiversidade (Dutra, 2019).  

Com isso o Brasil é considerado um país que conta com uma grande área 

cultivável e com clima que favorece várias culturas, principalmente a da cana-de-

açúcar, um dos motivos que faz do Brasil o maior produtor de cana-de-açúcar do 

mundo. O setor sucroalcooleiro é um dos segmentos mais importantes do 

agronegócio no país e de acordo com a CONAB a safra de 2021/22 registrou um 

total de 585,2 milhões de toneladas. Segundo a FAO - Organização das Nações 

Unidas para Agricultura e Alimentação, a produção anual de cana-de-açúcar está 



2 
 

 

distribuída em mais de 100 países, atingindo 1,89 bilhão de toneladas. Em 2019, a 

produção global de cana-de-açúcar (Fig. 1) foi liderada pelo Brasil (768 Mt), Índia 

(348 Mt), China (123 Mt) e Tailândia (87 Mt). 

A cultura da cana-de-açúcar desempenha um papel vital na economia dos 

países em desenvolvimento. Neste cenário, o Brasil atua como importante produtor e 

exportador de commodities e se mostra como um dos países mais importantes para 

suprir parte dessa demanda futura, devido ao seu potencial de expansão das áreas 

agrícolas e produtividade das lavouras.  

 
Figura 1. Principais países produtores de cana-de-açúcar do mundo.  

 

 

 

Fonte: Food and Agriculture Organization (FAO) 
 

Sendo assim, para melhorar a qualidade das lavouras de cana-de-açúcar e 

aumentar a produtividade, os produtores investem na correção do solo, 

melhoramento genético, sistema irrigado. (EMBRAPA, 2018) e em alguns casos a 

agricultura de precisão, que vem sendo adotada em áreas canavieiras do Brasil, 

fazendo uso de ferramentas mais sofisticadas e modernas para otimizar o sistema 

agrícola. 

https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.atlasbig.com%2Fpt-pt%2Fpaises-por-producao-de-cana-de-acucar&psig=AOvVaw1kL9-xwaFLah24Pd7Ry7Wa&ust=1679438648214000&source=images&cd=vfe&ved=2ahUKEwjQw9TRyuv9AhXpM7kGHdwmA80Qjhx6BAgAEAs
https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.atlasbig.com%2Fpt-pt%2Fpaises-por-producao-de-cana-de-acucar&psig=AOvVaw1kL9-xwaFLah24Pd7Ry7Wa&ust=1679438648214000&source=images&cd=vfe&ved=2ahUKEwjQw9TRyuv9AhXpM7kGHdwmA80Qjhx6BAgAEAs


3 
 

 

Nesse sentido, para elevar a produtividade das áreas de lavouras devemos 

contar com meios mais eficientes de monitoramento (Formaggio; Sanches, 2017; 

Wheeler; Von Braun, 2013; Weiss; Jacob; Duveiller, 2020) de áreas. Dentro desse 

contexto, o presente estudo objetiva o uso ferramentas da agricultura de precisão 

para conhecer variabilidade da área de estudo a fim de obter uma agricultura 

sustentável com maior assertividade, maiores índices de produtividade e redução de 

custos, considerando o potencial e a necessidade de cada ponto por meio da 

ferramenta geoestatística e do sensoriamento remoto. 

Dessa forma, a tese foi dividida em capítulos.  No capítulo 1, tem-se uma 

revisão de literatura levando em consideração estudos com enfoque na cultura da 

cana de açúcar e nas ferramentas utilizadas para o desenvolvimento da pesquisa. 

No capítulo 2, apresentamos um estudo da Dinâmica temporal da fertilidade do solo 

em área de cana-de-açúcar com ênfase na produção sustentável. O capítulo 3, traz 

um estudo acerca da variabilidade do NDVI, por meio do sensor MODIS, usando a 

análise fractal. No capítulo 4, temos os resultados encontrados nos dois artigos que 

compuseram a tese. 

 

1.2 Revisão De Literatura 

 

1.2.1 A importância da cana-de-açúcar no cenário mundial e brasileiro 

 

A cana-de-açúcar (Saccharum spp.) se destaca como uma das principais 

culturas agrícolas de forte impacto econômico no mundo, uma vez que é cultivada 

em mais de 100 países e pode potencialmente reduzir as emissões de gases de 

efeito estufa (GEE), devido sua capacidade de sintetizar e armazenar altas 

concentrações de sacarose no colmo, sendo também matéria prima para produção 

de açúcar e etanol (Martíni et al., 2020, Zhao et al., 2022). 

Segundo o último levantamento da Organização das Nações Unidas para 

Alimentação e Agricultura (FAO), a produção anual de cana-de-açúcar nos mais de 

100 países produtores da cultura foi de 1,89 bilhão de toneladas em uma área de 

27.000.000 ha. A produção global de cana-de-açúcar atualmente é liderada pelo 

Brasil, seguido dos países Índia, China e Tailândia. Além desses países, a cana-de-



4 
 

 

açúcar é cultivada em diversas regiões tropicais e subtropicais, e atualmente o 

Brasil, é o país com maior potencial de produção da cultura, sendo um dos principais 

fornecedores de açúcar e etanol no mundo (FAO, 2021). 

Tal feito, se dá principalmente em decorrência do país possuir condições 

edafoclimáticas favoráveis para o desenvolvimento da cultura, uma vez que a cultura 

se trata de uma planta C4, com alta taxa fotossintética e alta eficiência de conversão 

de energia radiante em energia química, sendo cultivada em solos distintos sob 

influência de diferentes climas, o que resulta em vários tipos de ambiente de 

produção da cultura, além de possuir áreas que ainda podem ser exploradas para 

implantação da cana-de-açucar (Cavalcanti et al., 2019). 

Essa liderança na produção tem marcado a importância da cultura para o país 

no cenário mundial e assumido papel de destaque no contexto socioambiental como 

alternativa para a substituição parcial da utilização de combustíveis fósseis frente 

aos acordos internacionais de redução de gases de efeito estufa (Follador et al., 

2021). 

Na safra de 2021/22 a produção nacional de cana-de-açúcar totalizou 585,3 

milhões de toneladas, em uma área colhida de 8.316 mil hectares, com 

produtividade média de 70.357 kg ha-1. O Sudeste do Brasil foi a região com maior 

participação e respondeu por 62,7% (366.929,9 mil t) do total de produção, seguida 

da região Centro-Oeste, responsável por 22,4% (131.370,3 mil t), do Nordeste com 

8,7% (51.062,1 mil t), Sul com 5,5% (31.961,6 mil t) e o Norte com apenas 0,7% 

(3.855,53 mil t) do total de produção. A produtividade de cana na safra 2022/2023 

está estimada em 598,2 milhões de toneladas distribuídas em 8,3 milhões de 

hectares, com uma produção de açúcar em torno de 36,37 milhões de toneladas e 

26,59 bilhões de litros de etanol. (CONAB 2022). 

De maneira geral observa-se que o setor sucroalcooleiro no Brasil e no mundo 

está consolidado e em plena ascensão, principalmente pela sinergia entre a 

produção de açúcar e o bioetanol. Portanto, a exploração da cana-de-açúcar 

compreende um dos casos de maior sucesso das usinas tradicionais, assim como 

biorrefinarias, devido aos três principais produtos comercializáveis, especificamente 

açúcar, etanol e bioeletricidade, bem como a grande diversidade de subprodutos 

derivados, como palha, melaço, vinhaça, dentre outros (Vandenberghe et al. 2022). 



5 
 

 

Do ponto de vista político, outros fatores são mencionados, como garantir a 

segurança energética, reduzir as emissões de gases de efeito estufa, aumentar a 

diversificação dos rendimentos dos agricultores e das comunidades rurais, além da 

grande geração de empregos diretos e indiretos da indústria sucroalcooleira 

(Gómez-Merino et al., 2014). 

Apesar dessa importância da cana-de-açúcar para a economia do país e 

mundial, atualmente assiste-se a um extenso debate sobre as vantagens e 

desvantagens da expansão da produção de etanol, uma vez que  a maior parte das 

áreas com cana-de-açúcar utilizam sistemas convencionais de produção, com 

cultivos sucessivos em uma mesma área e uso intensivo de agroquímicos 

(inseticidas, fungicidas, herbicidas, nematicidas, entre outros), e fertilizantes minerais 

(principalmente em regiões com maior predominância de solos ácidos e com baixa 

fertilidade natural) que são responsáveis por impactos ambientais potenciais, 

causados a qualidade do ar, do clima e da água (Marasca et al., 2016, Bordonal et 

al., 2018; Canisares et al., 2019). 

Esse cenário tem impulsionado o desenvolvimento de pesquisas de alta 

relevância voltadas para o cultivo de cana-de-açúcar mais sustentável, como por 

exemplo, a aplicação de ferramentas da Agricultura de precisão, principalmente 

quando aplicadas ao estudo do solo. 

 

 

1.2.2 Variabilidade dos atributos físicos e químicos do solo  
 
 

O solo é um dos componentes mais importantes do meio ambiente (Ellis e 

Mellor, 1995). É um recurso natural que auxilia no crescimento e desenvolvimento de 

plantas (Lepsch, 2002; Montanari 2016) de grande relevância para muitas atividades 

econômicas, principalmente para a agricultura, onde se faz necessária a adoção de 

estratégias que permitam o uso racional (Moura et al., 2007) e um manejo que 

garanta condições adequadas de desenvolvimento.  

Segundo Andrews et al. (2002), a qualidade do solo é um dos três 

componentes da qualidade ambiental.  Ela é definida como a capacidade de um solo 

funcionar dentro dos limites do ecossistema e do uso da terra para sustentar a 



6 
 

 

produtividade biológica, manter a qualidade ambiental e promover a flora e saúde 

animal (Doran e Parkin, 1994;  Doran e Parkin, 1996 ). Alcançar ou manter essa 

qualidade do solo requer um manejo adequado e a compreensão dos padrões de 

distribuição dos atributos do solo na natureza. O conhecimento da distribuição dos 

atributos do solo ajuda a estabelecer áreas para o desenvolvimento agrícola e 

manejo sustentável da terra, ajudando na caracterização das propriedades para o 

desenvolvimento agrícola (Ma, Minasny e Wu, 2017), dando a possibilidade de 

intervir de acordo as necessidades de cada áreas (Arruda, Demattê e Chagas, 

2013). 

Em virtude de seus processos pedogenéticos, os solos apresentam 

heterogeneidade natural (Buol et al., 1997; Cavalcante et al., 2007).  Fatores de 

origem natural ou antrópica, geram a variabilidade espacial dos atributos do solo 

(Carvalho et al., 2003), logo, à medida que os solos são usados, a variabilidade 

espacial encontrada na natureza vai aos poucos sendo alterada pelos efeitos do 

preparo do solo, efeitos residuais de fertilizantes e corretivos, sistemas de manejo 

empregados, e em alguns casos, os fatores podem aumentar ou diminuir a 

heterogeneidade do solo (Carvalho et al., 2003; Burak, Passos e Andrade, 2012). A 

variação espacial deve ser levada em consideração durante a fase de amostragem 

do solo, a fim de identificar qual manejo e qual análise se faz necessário (Vieira, 

2004), reduzindo assim os custos e mão-de-obra do trabalho (Corá et al., 2004).  

Desse modo, para a compreensão da variabilidade dos atributos do solo tem-

se aplicado métodos geoestatísticos que fornecem uma análise e descrição mais 

detalhada, permitindo o aumento da rentabilidade dos sistemas agrícolas (Bernardi 

et al., 2014). 

 

 

1.2.3 O Uso de Sensoriamento Remoto na Agricultura  
 
 

A agricultura desempenha um papel insubstituível no cenário mundial e 

mesmo com os recentes ganhos de produtividade (Foley et al., 2011; Sishodia, Ray, 

Singh, 2020), estudos demonstram que até o ano de 2050 será necessário quase 

que duplicar a produtividade agrícola para alimentar os 9 bilhões de pessoas. 

https://www.sciencedirect.com/science/article/pii/S0038071718300294#bib66
https://www.sciencedirect.com/science/article/pii/S0038071718300294#bib67


7 
 

 

Grande parte deste crescimento dar-se-á no segundo maior bioma da América do 

Sul, o Cerrado (Silva Teixeira; Fonseca, 2022), que desde a década de 70 tornou-se 

o foco das novas expansões agropecuárias (Santana et al., 2020; Victoria et al., 

2020). Sabendo que as áreas de cultivo não podem consideradas homogêneas e as 

variações que ocorrem nela devem ser levadas em consideração (Rodrigues e 

Barros, 2019), precisamos elevar a produtividade das áreas de lavouras podendo 

contar a cada dia com meios mais eficientes de monitoramento (Formaggio; 

Sanches, 2017; Wheeler; Von Braun, 2013; Weiss, Jacob; Duveiller, 2020), para 

alimentar a população. 

Para atender essa necessidade, temos a Agricultura de Precisão (AP) que 

com um conjunto de tecnologias, analisam e gerenciam essa variabilidade que 

possa vir a ocorrer nas lavouras, o que contribui para um melhor índice de 

produtividade (Liu et al., 2019; Astapova, Uzdiaev, 2022). Dentro deste conjunto de 

tecnologia temos a geoestatística e o sensoriamento remoto. A geoestatística 

aplicada a agricultura de precisão garante uma melhor precisão no mapeamento de 

dados interpolados no espaço (Grego et al., 2020; Souza et al., 2004).  

De acordo com Yamamoto e Landim (2013) a geoestatística tem por objetivo  

a caracterização espacial de uma determinada variável de interesse por meio do 

estudo de sua distribuição e variabilidade espaciais, com a determinação das 

incertezas associadas, onde para atingir esse objetivo os métodos usados pela 

geoestatística fazem uso de semivariogramas como ferramenta central para avaliar 

se os dados estudados apresentam ou não dependência espacial e em caso positivo 

realizar a quantificação dessa dependência (Castrignanò et al., 2017; Rodrigues et 

al., 2020). 

Em adição, temos a aplicação do sensoriamento, caracterizada pela aquisição 

de determinado objeto sem a necessidade de contacto físico e por muitas vezes à 

longas distâncias (Inamasu; Bernardi 2014; Santos, 2019), a aplicação na agricultura 

data do primeiro lançamento do satélite Landsat Multispectral Scanner System 

(MSS) em 1972 (Khanal, et al., 2020).  

Na agricultura, os satélites usados no sensoriamento remoto (Ippoliti et al., 

1999; Oliveira, Andrade, Magalhaes Junior, 2023; Queiroz et al., 2022), fotografam 

áreas de interesse e as armazenam em um banco de dados, que por meio de 



8 
 

 

plataformas digitais geram imagens e mapas históricos o que facilita a análise do 

desenvolvimento da lavoura e nas tomadas de decisão (Li, et al., 2022; Roznik, 

Boyd, Porth, 2022; Puttinaovarat, Khaimook e   Horkaew, 2023).  

Assim sendo, com o uso de dados de satélite é possível prever o rendimento 

das culturas e monitorar o a produção agrícola. Dessa forma, muitos pesquisadores 

têm enfatizado o uso de dados de satélite e os dados do NDVI para a previsão do 

rendimento das culturas (Huete, et al., 2002; Ren, et al., 2008; Yu E Shang, et al., 

2018). Uma das primeiras obtenções de dados remotamente foi a detecção de 

diferenças na refletância, relacionadas à densidade da cobertura vegetal.  

O índice de vegetação de diferença normalizada (NDVI), é uma importante 

aplicação de sensoriamento remoto, com boa resolução espacial (Lee, Hwang, Cho, 

2021; Xu, et al., 2022). Introduzido na década de 1970 (Pelta, Beeri, Shilo, 2022; 

Rouse, et al.,1974), até hoje é o índice mais usado para monitorar a vegetação por 

meio de imagem de satélite (Jabal, Khayyun e Alwan, 2022). Isso por causa de sua 

série de dados de longo prazo, simplicidade e facilidade de uso (KONG, et al., 2017). 

O NDVI utiliza as faixas visível do vermelho e do infravermelho próxima do espectro 

eletromagnético para quantificar a densidade da vegetação em uma determinada 

área (Galvíncio, 2019). O NDVI é uma razão da diferença entre as porções vermelha 

e infravermelha do espectro eletromagnético. Os valores do índice vão de -1 a 1, 

sendo calculado de acordo com a fórmula:  

 

 

NDVI =
NIR − RED

NIR + RED
 

 

 

Onde o: 

NDVI se refere ao Índice de Vegetação por Diferença Normalizada;  

NIR é a faixa do infravermelho próximo (750-1.350 nm); 

RED é a faixa do vermelho (620-750 nm). 

As séries temporais dos índices de vegetação tem sido utilizadas por meio de 

produtos com alta resolução temporal como o Moderate Resolution Imaging 



9 
 

 

Spectroradiometer – MODIS (Arantes, et al 2022; Leivas et al., 2022; Verbesselt et 

al., 2010), devido à clorofila absorver na faixa do visível, enquanto não absorve no 

infravermelho próximo. Sendo assim, esses dados tornam-se importantes para se 

relacionar as variáveis diretas nos processos fotossintéticos. 

O MODIS (Moderate Resolution Imaging Spectroradiometer) é um sensor 

remoto de resolução espectral que se encontra a bordo dos satélites Terra e Aqua, 

pertencente a Earth Observing System (EOS), financiado pelo programa Earth   

Science Enterprises (ESE) da NASA. O sensor atua com 36 bandas espectrais, que 

abrange as faixas situadas no intervalo de 0,407 μm a 14,385. O sensor MODIS tem 

frequência temporal que detecta tipos de culturas e outras práticas de uso da terra 

(Wardlow e Egbert, 2008) em ciclos repetidos e frequentes, chegando a detectar até 

duas vezes por dia em cada ponto (Zhu, Radeloff; Ives, 2017), com respostas 

baseada na composição temporal, considerando o melhor valor da refletância do 

pixel (Didan; Barreto Munoz, 2019). Dessa forma o MODIS tem sido usado para 

estimar o rendimento de culturas devido a sua resolução espacial pequena, variando 

de centenas de metros a quilômetros (He et al., 2018; Panek et al., 2020; Petersen; 

Gozdowski, 2018). 

Embora existia “n” formas para tomar decisões em relação a áreas produtivas 

o conhecimento da variabilidade da produção facilita definir quais práticas agrícolas 

podem ser empregadas de forma eficaz para melhorar o índice de produção e 

reduzir custos. Outra ferramenta que pode ser aplicada nos estudos de variabilidade 

de atributos e produção e como eles interage entre si é a análise fractal, que tem 

como principais objetivos a otimização e sustentabilidade no desenvolvimento de 

culturas. 

 
 
 
1.2.4 Teorias e Aplicações da Análise Fractal  
 
 

Os fractais se tornaram popular em razão da promessa de compreender de 

forma mais profunda dos sistemas complexos, caóticos e desordenados, que 

resistiram às tentativas geométricas convencionais de modelá-los (Pippa, et al., 

2013). Ao contrário da teoria euclidiana, a geometria fractal é uma ferramenta útil 



10 
 

 

para lidar com fenômenos fragmentados e irregulares na natureza, que permite que 

as medidas mudem de forma não inteira ou fracionária quando a unidade de medida 

muda. 

Uma vez que a teoria fractal é uma ciência que se concentra em objetos 

geométricos complexos e aleatórios que apresentam autossimilaridades são e 

invariantes em escala (Mandelbrot e Wheeler, 1978). Assis et al. (2008) afirmam que 

um fractal é um objeto invariante na sua forma quando a escala é alterada, e se 

mantem idêntico a sua estrutura à original. 

O termo fractal foi usado pela primeira vez por Benoit Mandelbrot, em 1975, 

foi usado para descrever a geometria real das formas da natureza, quando descobriu 

que os objetos não só têm dimensão inteira, mas também, dimensão fractal. Fractal 

vem do latim, fractus, que significa quebrar, criar fragmentos. São caracterizados por 

sua a autossemelhanca, complexidade infinita e a sua dimensão (Nayak, Mishra, 

Palai, 2019; Pachepsky 2000), ou seja, o mesmo padrão geométrico é identificado 

em qualquer escala que se olhe para os fractais (Lazzari, et al., 2016).  

 

• A autossemelhança é identificada quando uma porção, de uma figura 

ou de um contorno, pode ser vista como uma réplica do todo, numa 

escala menor (Andrade et al., 2008). 

 

 
  
 
 
 
 
 
 

 

 

 

 

 

 

 

https://www.sciencedirect.com/topics/engineering/fractal-dimension


11 
 

 

Figura 2. Níveis da Curva de Koch 

 

• A complexidade infinita está ligada a geração da figura. Nesse caso, 

quanto maior for o número de repetições desse processo, mais 

detalhes serão apresentados e por fim, conseguiremos representar a 

figura no seu todo (Curva de Koch). A representação de um fractal vai 

se tornando complicada à medida que cresce a complexidade, pois são 

figuras que têm detalhes infinitos. 

 

• A dimensão se refere à estrutura de ocupação do espaço, 

caracterizando a superfície de contato entre o objeto e o meio. 

 

O parâmetro mais importante da geometria fractal é a dimensão, que é capaz 

de descrever de forma direta as características geométricas dos materiais (Zhang, et 

al., 2017). O termo dimensão fractal refere-se a uma dimensão não inteira de um 

objeto geométrico (Esteller; Vachtsevanos; Echauz; Litt, 2001). Na geometria 

Euclidiana, um ponto qualquer apresenta dimensão 0, uma linha apresenta 

dimensão 1, um quadrado ou um retângulo têm dimensão 2 e um volume no espaço 

apresenta dimensão 3. Já um fractal em um plano apresenta uma dimensão entre 1 

e 2, e quando está no espaço, um fractal terá uma dimensão entre 2 e 3. 

Segundo Joye (2011), os fractais apresentam uma dimensão não-integral por 

ocuparem mais espaço do que uma simples linha (como a primeira dimensão), no 

entanto, não ocupam todo o plano. Sendo assim, a dimensão deve ser menor ou 

igual à dimensão do espaço em que o fractal existe, ou então o espaço não pode 

conter o fractal (Schmidt e Avnir, 1989). A dimensão fractal é capaz de descrever a 

complexidade do sistema fractal autossimilar rigoroso ou estatístico (Cai; Tian; 

Wood, 2022), podendo fornecer algumas informações novas que os parâmetros 

tradicionais não contêm (Xu, 1993). No caso, aqueles que não puderam ser 

analisados pela geometria euclidiana (Nayak, et al.,2019), como por exemplo 

estrutura complexa do solo, o processamento de imagens, a descrição da conversão 

de escala do índice de área foliar ou a conversão de aumento de escala de NDVI 

(Zhang et al, 2008, 2010; Wu et al., 2016).  



12 
 

 

Considerando que o perfil do solo apresenta diversas estruturas naturais, tais 

como partículas, poros e organismos, que variam de tamanhos e formas, 

favorecendo as características irregulares, diversos atributos físicos, químicos e 

biológicos dos solos não permanecem constantes ao longo do tempo e do espaço e 

ocorrem em diferentes escalas espaciais (Perfect & Kay, 1995). Nesse sentido, a 

utilização de parâmetro fractais como a dimensão fractal pode descrever essa 

estrutura complexa do solo, pois investigam e caracterizam quantitativamente a 

variabilidade espacial (Mandelbrot, 1982). Aliando esse parâmetro com outras 

alterações podemos ter refletidos os efeitos do manejo nos atributos do solo 

(Pachepsky & Crawford, 2004).  

Diante do exposto, a dimensão fractal vem sem usada no estudo em diversos 

campos, o que tem contribuído de forma expressiva para o avanço das novas 

ciências que estudam a imprevisibilidade dos fenômenos da natureza.  Na análise da 

variabilidade do solo, pode fornecer alternativas de manejo não só para reduzir os 

efeitos da variabilidade encontrada (Trangmar et al., 1985), mas também para 

aumentar a possibilidade de estimar respostas das culturas sob determinadas 

práticas de manejo. No sensoriamento remoto a dimensão fractal tem sido usada na 

análise espacial do NDVI, pois pode medir a heterogeneidade em diferentes estágios 

da cultura e quando comparada a outros métodos de aprimoramento de imagem, as 

características fractais podem ser consideradas estáveis e independentes, podendo 

ser usados para extração de informações e de classificação de recursos (Xia; Feng; 

Zhao, 2006; Parrinello; Vaughan, 2002). Nesse sentido, estudar a diferença de 

escala e variações encontradas em áreas de lavoura podem ajudar na compreensão 

da dinâmica da vegetação e sua interação com outros componentes. 

 

 
 
1.3 Referências  
 

Andrade RF, Assis TA, Vivas Miranda JG, Mota FD, Castilho CM (2008) ‘Geometria 
fractal: propriedades e características de fractais ideais’, Revista Brasileira de 
Ensino de Física, 30(2):2304.1–2304.10, doi:10.1590/s1806-11172008000200005.  



13 
 

 

Arantes CS, Speranza EA, Antunes J, Barbosa L, Cançado, GDA (2022). 
Complemento no QGIS para monitoramento de áreas de cana-de-açúcar por meio 
de índices vegetativos MODIS, 2022. 

Arruda GP, Demattê JA, Chagas CD, Fiorio PR, Souza AB, Fongaro CT (2016) 
Digital soil mapping using reference area and artificiais neurais networks’, Scientia 
Agricola, 73(3):266–273, doi:10.1590/0103-9016-2015-0131.  

Astapova M, Uzdiaev M (2022), November). Statistical Analysis of NDVI of 
Agricultural Land Cover Aerial Images. In Agriculture Digitalization and Organic 
Production: Proceedings of the Second International Conference, ADOP (2022). St. 
Petersburg, Russia, June 06–08, 2022 (pp. 283-292). Singapore: Springer Nature 
Singapore. 

Bordonal RD, Carvalho JL, Lal R, de Figueiredo EB, de Oliveira BG, La Scala N 
(2018) ‘Sustainability of sugarcane production in Brazil. A review’, Agronomy for 
Sustainable Development, 38(2), doi:10.1007/s13593-018-0490-x.  

Burak DL, Passos RR, Andrade FV (2012) ‘Variabilidade espacial de atributos 
químicos do solo sob cafeeiro Conilon: relação com textura, matéria orgânica e 
relevo’, Bragantia, 71(4):538–547, doi:10.1590/s0006-87052012000400012.  

Cai J, Tian Z, Wood DA (2022) ‘Pore-scale characterization and fractal analysis for 
gas migration mechanisms in shale gas reservoirs’, in Sustainable Geoscience for 
Natural Gas Subsurface Systems, Elsevier, doi:10.1016/b978-0-323-85465-8.00009-
1. 

Campos, A. C; Batista, V. M. Sistema biogeográfico do Cerrado goiano: o Parque 
Ecológico Altamiro de Moura Pacheco. I Congresso Brasileiro de Gestão Ambiental, 
IBEAS, 2010. 4. 

Canisares LP, Cherubin MR, Silva LF, Franco AL, Cooper M, Mooney SJ, Cerri CE 
(2020) ‘Soil microstructure alterations induced by land use change for sugarcane 
expansion in Brazil’, Soil Use and Management, 36(2):189–199, 
doi:10.1111/sum.12556.  

Carvalho MP, Takeda EY, Freddi OS (agosto de 2003) ‘Variabilidade espacial de 
atributos de um solo sob videira em Vitória Brasil (SP)’, Revista Brasileira de 
Ciência do Solo, 27(4):695–703, doi:10.1590/s0100-06832003000400014.  



14 
 

 

Carvalho-Netto OV, Bressiani JA, Soriano HL, Fiori CS, Santos JM, Barbosa GV, 
Xavier MA, Landell MG, Pereira GA (2014) ‘The potential of the energy cane as the 
main biomass crop for the cellulosic industry’, Chemical and Biological 
Technologies in Agriculture, 1(1), doi:10.1186/s40538-014-0020-2.  

Castrignanò A, Buttafuoco G, Quarto R, Vitti C, Langella G, Terribile F, Venezia A (3 
de dezembro de 2017) ‘A Combined Approach of Sensor Data Fusion and 
Multivariate Geostatistics for Delineation of Homogeneous Zones in an Agricultural 
Field’, Sensors, 17(12):2794, doi:10.3390/s17122794.  

Cavalcante, E. G. S.; Alves, M. C.; Pereira, G. T.; Souza, Z. M. de. Variabilidade 
espacial de MO, P, K e CTC do solo sob diferentes usos e manejos. Ciência Rural, 
Santa Maria, v. 37, n. 2, p. 394-400, 2007. 

Cavalcante EG, Alves MC, Pereira GT, Souza ZM (abril de 2007) ‘Variabilidade 
espacial de MO, P, K e CTC do solo sob diferentes usos e manejos’, Ciência Rural, 
37(2):394–400, doi:10.1590/s0103-84782007000200015. 

Cavalcanti RQ, Rolim MM, de Lima RP, Tavares UE, Pedrosa EM, Gomes IF (junho 
de 2019) ‘Soil physical and mechanical attributes in response to successive harvests 
under sugarcane cultivation in Northeastern Brazil’, Soil and Tillage Research, 
189:140–147, doi:10.1016/j.still.2019.01.006. 

CONAB – Companhia Nacional de Abastecimento. Cana-de-açúcar, V.6, Safra 
2021/2022, N.4 – Quarto levantamento, Abril 2022. Disponível em: 
https://www.conab.gov.br/info-agro/safras/cana/boletim-da-safra-de-cana-de-
acucar/item/download. Acesso em: 17 de março de 2023. 

Corá JE, Araújo AV, Pereira GT, Beraldo JMG (2004) Variabilidade espacial de 
atributos do solo para adoção do sistema de agricultura de precisão na cultura de 
cana-de-açúcar. Revista Brasileira de Ciência do solo 28:1013-1021 

Didan K, Barreto Munoz A. MODIS Vegetation Index User’s Guide (MOD13 Series). 
Version 3.1; University of Arizona: Tucson, AZ, USA, 2019. Acesso em: 03 fev. 2023. 

Dutra, R. M.S. Cerrado Goiano: Agrotóxicos e agroextrativismo. Goiânia: Ed. IFG, 
2019. 



15 
 

 

Eghball B, Hergert GW, Lesoing GW, Ferguson RB (março de 1999) ‘Fractal analysis 
of spatial and temporal variability’, Geoderma, 88(3-4):349–362, doi:10.1016/s0016-
7061(98)00113-x.  

Ellis S, Mellor T. (1995). Solos, Meio Ambiente (1ªed.). Routledge. 
https://doi.org/10.4324/9780203415245 

EMBRAPA, Empresa Brasileira de Pesquisa Agropecuária. COMUNICADO 
TECNICO 216. Aracaju. Dezembro, 2018.  

Esteller R, Vachtsevanos G, Echauz J, Litt B (2001) ‘A comparison of waveform 
fractal dimension algorithms’, IEEE Transactions on Circuits and Systems I: 
Fundamental Theory and Applications, 48(2):177–183, doi:10.1109/81.904882.  

FAO (2021). The agricultural production indices. Food and Agricultural Organisation 
of the United Nations. Disponível em: https://www.fao.org. Acesso em: 17 março de 
2022. 

Fa-Sheng ZHANG, Zuo-Xin LIU. (2011). Fractal theory and its application in the 
analysis of soil spatial variability: A review. Yingyong Shengtai Xuebao, 22(5). 

Foley JA, Ramankutty N, Brauman KA, Cassidy ES, Gerber JS, Johnston M, Mueller 
ND, O’Connell C, Ray DK, West PC, Balzer C, Bennett EM, Carpenter SR, Hill J, 
Monfreda C, Polasky S, Rockström J, Sheehan J, Siebert S, Tilman D, Zaks DP 
(2011) ‘Solutions for a cultivated planet’, Nature, 478(7369):337–342, 
doi:10.1038/nature10452.  

Follador M, Soares-Filho BS, Philippidis G, Davis JL, de Oliveira AR, Rajão R (2 de 
julho de 2021) ‘Brazil’s sugarcane embitters the EU-Mercosur trade talks’, Scientific 
Reports, 11(1), doi:10.1038/s41598-021-93349-8. 

Formaggio, A. R., & Sanches, I. D. A. (2017). Sensoriamento remoto em agricultura. 
Oficina de Textos. 

Gómez-Merino FC, Trejo-Téllez LI, Sentíes-Herrera HE (2014) ‘Sugarcane as a 
Novel Biofactory: Potentialities and Challenges’, in Biosystems Engineering: 
Biofactories for Food Production in the Century XXI, Springer International 
Publishing, doi:10.1007/978-3-319-03880-3_5. 

https://www.fao.org/


16 
 

 

Grego CR, Speranza EA, Rodrigues GC, Luchiari Junior A, Vendrusculo LG, 
Rodrigues CAG, Ronquim CC. (2020). Tecnologias desenvolvidas em Agricultura de 
Precisão. 

He M, Kimball J, Maneta M, Maxwell B, Moreno A, Beguería S, Wu X (28 de 
fevereiro de 2018) ‘Regional Crop Gross Primary Productivity and Yield Estimation 
Using Fused Landsat-MODIS Data’, Remote Sensing, 10(3):372, 
doi:10.3390/rs10030372.  

Huete A, Didan K, Miura T, Rodriguez EP, Gao X, Ferreira LG (novembro de 2002) 
‘Overview of the radiometric and biophysical performance of the MODIS vegetation 
indices’, Remote Sensing of Environment, 83(1-2):195–213, doi:10.1016/s0034-
4257(02)00096-2.  

Inamasu, R. Y., & Bernardi, A. D. C. (2014). Agricultura de precisão. 

Ippoliti-Ramilo GA, Epiphanio JCN, Shimabukuro YE, Formaggio AR (1999). 
Sensoriamento remoto orbital como meio auxiliar na previsão de safras. Agricultura 
em São Paulo, 46, 89-101. 

Jabal ZK, Khayyun TS, Alwan IA. (2022). Impact of climate change on crops 
productivity using MODIS-NDVI time series. Civil Engineering Journal, 8(06). 

Joye Y (2011) ‘A Review of the Presence and Use of Fractal Geometry in 
Architectural Design’, Environment and Planning B: Planning and Design, 
38(5):814–828, doi:10.1068/b36032.  

Katul G, Lai C-T, Schäfer K, Vidakovic B, Albertson J, Ellsworth D, Oren R 
(novembro de 2001) ‘Multiscale analysis of vegetation surface fluxes: from seconds 
to years’, Advances in Water Resources, 24(9-10):1119–1132, doi:10.1016/s0309-
1708(01)00029-x. 

Khanal S, KC K, Fulton JP, Shearer S, Ozkan E (2020) ‘Remote Sensing in 
Agriculture—Accomplishments, Limitations, and Opportunities’, Remote Sensing, 
12(22):3783, doi:10.3390/rs12223783.  

Kong D, Zhang Q, Singh VP, Shi P (2017) ‘Seasonal vegetation response to climate 
change in the Northern Hemisphere (1982–2013)’, Global and Planetary Change, 



17 
 

 

148:1–8, doi:10.1016/j.gloplacha.2016.10.020.  

Lazzari S, Nicoud L, Jaquet B, Lattuada M, Morbidelli M (setembro de 2016) ‘Fractal-
like structures in colloid science’, Advances in Colloid and Interface Science, 
235:1–13, doi:10.1016/j.cis.2016.05.002.  

Lee G, Hwang J, Cho S (2021) ‘A Novel Index to Detect Vegetation in Urban Areas 
Using UAV-Based Multispectral Images’, Applied Sciences, 11(8):3472, 
doi:10.3390/app11083472. 

Leivas JL, Teixeira AH, Takemura CM, Garçon EA (2022) ‘ANÁLISE DA DINÂMICA 
TEMPORAL DE ÍNDICES DE VEGETAÇÃO NDVI, EVI, SAVI E IRECI ATRAVÉS 
DE IMAGENS SENTINEL-2A E MODIS’, in Ciências Agrárias: o avanço da ciência 
no Brasil - Volume 4, Editora Científica Digital, doi:10.37885/220709585. 

Lepsch IF (2002) Formação e conservação dos solos. São Paulo: Oficina de Textos, 
178p. 

LIU C-A, CHEN Z-X, SHAO Y, CHEN J-S, Hasi T, PAN H-Z (março de 2019) 
‘Research advances of SAR remote sensing for agriculture applications: A 
review’, Journal of Integrative Agriculture, 18(3):506–525, doi:10.1016/s2095-
3119(18)62016-7. 

Ma Y, Minasny B, Wu C (setembro de 2017) ‘Mapping key soil properties to support 
agricultural production in Eastern China’, Geoderma Regional, 10:144–153, 
doi:10.1016/j.geodrs.2017.06.002. 

Mandelbrot B (1967) ‘How Long Is the Coast of Britain? Statistical Self-Similarity and 
Fractional Dimension’, Science, 156(3775):636–638, 
doi:10.1126/science.156.3775.636.  

Mandelbrot BB, Wheeler JA (1983) ‘The Fractal Geometry of Nature’, American 
Journal of Physics, 51(3):286–287, doi:10.1119/1.13295.  

Marasca I, Fernandes BB, Caterina GL, Denadai MS, Lanças KP (28 de agosto de 
2016) ‘Chemical properties of ultisol in different tillage systems under sugarcane 
cultivation’, ENERGIA NA AGRICULTURA, 31(2):200, 
doi:10.17224/energagric.2016v31n2p200-206. 



18 
 

 

Martíni AF, Valani GP, Boschi RS, Bovi RC, Simões da Silva LF, Cooper M (outubro 
de 2020) ‘Is soil quality a concern in sugarcane cultivation? A bibliometric 
review’, Soil and Tillage Research, 204:104751, doi:10.1016/j.still.2020.104751. 

Mohlin K, Camuzeaux JR, Muller A, Schneider M, Wagner G (maio de 2018) 
‘Factoring in the forgotten role of renewables in CO2 emission trends using 
decomposition analysis’, Energy Policy, 116:290–296, 
doi:10.1016/j.enpol.2018.02.006.  

Mondardo, M. L., & de Azevedo, J. R. N. (2019). MATOPIBA: DO DOMÍNIO DA 
TERRA E ABUSO DA ÁGUA AOS TERRITÓRIOS DE RESISTÊNCIAS DAS 
POPULAÇÕES TRADICIONAIS/MATOPIBA: from the domain of land and water 
abuse to the territories of resistance of the traditional populations/MATOPIBA: del 
dominio de la tierra y abuso del agua a los territorios de resistencias de las 
poblaciones tradicionales. Revista Nera, (47), 296-320. 

Montanari R (2016) Atributos do solo e componentes produtivos da cultura da 
pupunha : uma abordagem linear, geoestatística e multivariada, Ilha Solteira, 
consultado em 01 de abril de 2023.  

Moura LC, Marques AFSM, Hadad RM, Andrade H, Alves HMR (2007) A aptidão 
agrícola das terras do município de Machado/ MG e a cafeicultura. Caderno de 
Geografia 17:141-162. 

Nayak SR, Mishra J, Palai G (setembro de 2019) ‘Analysing roughness of surface 
through fractal dimension: A review’, Image and Vision Computing, 89:21–34, 
doi:10.1016/j.imavis.2019.06.015.  

Oliveira PD, Hott MC, Andrade RG, Magalhaes Junior, WCP. (2023). Aplicações da 
agricultura de precisão em pastagens. 

Pachepsky Y, Crawford JW, Rawls WJ. (Eds.). (2000). Fractals in soil science. 
Elsevier. 

Pachepsky Y, Crawford, J. W. Fractal analysis. In: HILLEL, D. (Ed.). Encyclopedia of 
soils in the environment. Waltham: Academic Press, 2004. v. 2, p. 85-98. 

Panek E, Gozdowski D (janeiro de 2020) ‘Analysis of relationship between cereal 

http://hdl.handle.net/11449/140270
http://hdl.handle.net/11449/140270


19 
 

 

yield and NDVI for selected regions of Central Europe based on MODIS satellite 
data’, Remote Sensing Applications: Society and Environment, 17:100286, 
doi:10.1016/j.rsase.2019.100286.  

Parrinello T, Vaughan R. Análise multifractal e extração de características em 
imagens de satélite. Int. J. Remote Sens. 2002 

Pelta R, Beeri O, Tarshish R, Shilo T (2022) ‘Sentinel-1 to NDVI for Agricultural 
Fields Using Hyperlocal Dynamic Machine Learning Approach’, Remote Sensing, 
14(11):2600, doi:10.3390/rs14112600.  

Perfect E, Kay, B. D. (1995) ‘Applications of fractals in soil and tillage research: a 
review’, Soil and Tillage Research, 36(1-2):1–20, doi:10.1016/0167-1987(96)81397-
3. 

Petersen L (2018) ‘Real-Time Prediction of Crop Yields From MODIS Relative 
Vegetation Health: A Continent-Wide Analysis of Africa’, Remote Sensing, 
10(11):1726, doi:10.3390/rs10111726. 

Pippa N, Dokoumetzidis A, Demetzos C, Macheras P (2013) ‘On the ubiquitous 
presence of fractals and fractal concepts in pharmaceutical sciences: A 
review’, International Journal of Pharmaceutics, 456(2):340–352, 
doi:10.1016/j.ijpharm.2013.08.087.  

Pirmoradian N, Sepaskhah AR, Hajabbasi MA (2005) ‘Application of Fractal Theory 
to quantify Soil Aggregate Stability as influenced by Tillage Treatments’, Biosystems 
Engineering, 90(2):227–234, doi:10.1016/j.biosystemseng.2004.11.002. 

Puttinaovarat S, Khaimook K, Horkaew P (2023) ‘Land use and land cover 
classification from satellite images based on ensemble machine learning and 
crowdsourcing data verification’, International Journal of Cartography, 1–21, 
doi:10.1080/23729333.2023.2166252.  

Queiroz DM, Valente DSM, Carvalho Pinto FDA, Borém A. (Eds.). 
(2022). Agricultura digital. Oficina de Textos. 

Ren J, Chen Z, Zhou Q, Tang H (2008) ‘Regional yield estimation for winter wheat 
with MODIS-NDVI data in Shandong, China’, International Journal of Applied 



20 
 

 

Earth Observation and Geoinformation, 10(4):403–413, 
doi:10.1016/j.jag.2007.11.003. 

Rodrigues SS, Barros MM. (2018). O Uso de VANT e do Sensoriamento Remoto 
como Ferramenta de Melhoria das Técnicas de Agricultura de Precisão. Corpo 
Editorial, 61. 

Rouse JW, Haas RH, Schell JA, Deering DW. (1974). Monitoring vegetation systems 
in the Great Plains with ERTS. NASA Spec. Publ, 351(1), 309. 

Roznik M, Boyd, Porth L. (2022). Improving crop yield estimation by applying higher 
resolution satellite NDVI imagery and high-resolution cropland masks. Remote 
Sensing Applications: Society and Environment, 25, 100693. 

Saiedi N, Besalatpour AA, Shirani H, Abbaszadeh Dehaji P, Esfandiarpour I, 
Faramarzi M (setembro de 2017) ‘Aggregation and fractal dimension of aggregates 
formed in sand dunes stabilized by PistachioPAM and PistachioPVAc 
mulches’, European Journal of Soil Science, 68(5):783–791, 
doi:10.1111/ejss.12458.  

Santana CAM, Campos SK, Marra R, Aragão AA. (2020). Cerrado: pilar da 
agricultura brasileira. 

Santos, JCO, A Aplicação do Sistema de Informação Geográfica em Estudos 
Ambientais In: Revista Digital Simonsen, Nº, 2019. Disponível em: 
www.simonsen.br/revistasimonsen ISSN:2446-5941. 

Schmidt PW, Avnir D. (1989). The fractal approach to heterogeneous 
chemistry. JohnWiley and Sons Inc., New York. 

Silva Teixeira RD, Da Fonseca VM (2022) ‘A expansão da fronteira agrícola nos 
biomas brasileiros: O cerrado como laboratório para os pacotes tecnológicos da 
“revolução verde” / The expansion of the agricultural frontier in brazilian biomes: The 
cerrado as a laboratory for the technological packages of the "green 
revolution"’, Brazilian Journal of Development, 8(1):6416–6435, 
doi:10.34117/bjdv8n1-434. 

Sishodia RP, Ray RL, Singh SK (24 de setembro de 2020) ‘Applications of Remote 



21 
 

 

Sensing in Precision Agriculture: A Review’, Remote Sensing, 12(19):3136, 
doi:10.3390/rs12193136.  

Souza ZM, Marques Júnior J, Pereira GT (maio de 2004) ‘Variabilidade espacial da 
estabilidade de agregados e matéria orgânica em solos de relevos 
diferentes’, Pesquisa Agropecuária Brasileira, 39(5):491–499, doi:10.1590/s0100-
204x2004000500012. 

Tagar AA, Adamowski J, Memon MS, Do MC, Mashori AS, Soomro AS, Bhayo WA 
(março de 2020) ‘Soil fragmentation and aggregate stability as affected by 
conventional tillage implements and relations with fractal dimensions’, Soil and 
Tillage Research, 197:104494, doi:10.1016/j.still.2019.104494. 

Trangmar BB, Yost RS, Uehara G (1985) ‘Application of Geostatistics to Spatial 
Studies of Soil Properties’, in Advances in Agronomy, Elsevier, doi:10.1016/s0065-
2113(08)60673-2.  

Verbesselt J, Hyndman R, Zeileis A, Culvenor D (15 de dezembro de 2010) 
‘Phenological change detection while accounting for abrupt and gradual trends in 
satellite image time series’, Remote Sensing of Environment, 114(12):2970–2980, 
doi:10.1016/j.rse.2010.08.003. 

Victoria DDC, Bolfe E, Sano EE, Assad ED, Andrade RG, Guimarães DP, Landau E. 
C. (2020). Potencialidades para expansão e diversificação agrícola sustentável do 
Cerrado. 

Waleed M, Mubeen M, Ahmad A, Habib-ur-Rahman M, Amin A, Farid HU, Hussain S, 
Ali M, Qaisrani SA, Nasim W, Javeed HM, Masood N, Aziz T, Mansour F, EL Sabagh 
A (1 de agosto de 2022) ‘Evaluating the efficiency of coarser to finer resolution 
multispectral satellites in mapping paddy rice fields using GEE 
implementation’, Scientific Reports, 12(1), doi:10.1038/s41598-022-17454-y. 

Wardlow BD, Egbert SL. (2008). Large-Area Crop Mapping Using Time-series 
MODIS 250 m NDVI data: An assessment for the US Central Great Plains. Remote 
sensing of environment, 112(3), 1096-1116. 

Weiss M, Jacob F, Duveiller, G. (2020). Remote sensing for agricultural applications: 
A meta-review. Remote sensing of environment, 236, 111402. 



22 
 

 

Wheeler T, Von Braun J. (2013). Climate change impacts on global food 
security. Science, 341(6145), 508-513. 

Wu L, Qin, Q, Liu X, Ren H, Wang J, Zheng X, Sun Y. (2016). Spatial up-scaling 
correction for leaf area index based on the fractal theory. Remote Sensing, 8(3), 197. 

Xia Yong, Dagan Feng, Rongchun Zhao (março de 2006) ‘Morphology-based 
multifractal estimation for texture segmentation’, IEEE Transactions on Image 
Processing, 15(3):614–623, doi:10.1109/tip.2005.863029.   

Xu T, Moore ID, Gallant JC (dezembro de 1993) ‘Fractals, fractal dimensions and 
landscapes — a review’, Geomorphology, 8(4):245–262, doi:10.1016/0169-
555x(93)90022-t.  

Xu Y, Yang Y, Chen X, Liu Y (2022) ‘Bibliometric Analysis of Global NDVI Research 
Trends from 1985 to 2021’, Remote Sensing, 14(16):3967, doi:10.3390/rs14163967. 

Yamamoto JK, Landim PMB. (2013) Geoestatística: conceitos e aplicações. São 
Paulo: Oficina de Textos. 

Zhang R, Tian J, Li Z, Su H, Chen S, Tang X (20 de março de 2010) ‘Principles and 
methods for the validation of quantitative remote sensing products’, Science China 
Earth Sciences, 53(5):741–751, doi:10.1007/s11430-010-0021-3. 

Zhang R, Tian J, Li Z, Sun X, Jiang X (setembro de 2008) ‘Spatial scaling and 

information fractal dimension of surface parameters used in quantitative remote 

sensing’, International Journal of Remote Sensing, 29(17-18):5145–5159, 

doi:10.1080/01431160802036581.  

Zhang Y, Sun H, Stowell HH, Zayernouri M, Hansen SE (setembro de 2017) ‘A 
review of applications of fractional calculus in Earth system dynamics’, Chaos, 
Solitons & Fractals, 102:29–46, doi:10.1016/j.chaos.2017.03.051.  

Zhao X, Yang B, Yuan S, Shen Z, Feng D (22 de maio de 2022) ‘Seepage–Fractal 
Model of Embankment Soil and Its Application’, Fractal and Fractional, 6(5):277, 
doi:10.3390/fractalfract6050277.  



23 
 

 

Zhao Y, Liu J, Huang H, Zan F, Zhao P, Zhao J, Deng J, Wu C (28 de outubro de 
2022) ‘Genetic Improvement of Sugarcane (Saccharum spp.) Contributed to High 
Sucrose Content in China Based on an Analysis of Newly Developed 
Varieties’, Agriculture, 12(11):1789, doi:10.3390/agriculture12111789.  

Zhu L, Radeloff VC, Ives AR (junho de 2017) ‘Improving the mapping of crop types in 
the Midwestern U.S. by fusing Landsat and MODIS satellite data’, International 
Journal of Applied Earth Observation and Geoinformation, 58:1–11, 
doi:10.1016/j.jag.2017.01.012.  



24 
 

 

CAPITULO 2 - DINÂMICA TEMPORAL DA FERTILIDADE DO SOLO NA ÁREA DE 
CANA DE AÇÚCAR COM ÊNFASE NA PRODUÇÃO SUSTENTÁVEL 

 
RESUMO: A expansão da área cultivada com cana-de-açúcar (Saccharum 

officinarum L.), tem se intensificado sobre o bioma Cerrado e o estudo dos atributos 

químicos e físicos do solo associado a fertilidade ainda é incipiente. O objetivo do 

trabalho foi investigar por meio da análise fractal a dinâmica espaço-temporal dos 

atributos do solo associada à produção de cana-de-açúcar em um Latossolo 

Vermelho distrófico na área de Cerrado. Para análise dos resultados fizemos o uso 

de estatística descritiva e da dimensão fractal. Os resultados mostram valores 

médios para CTC (Capacidade de Troca Catiônica) (76,73 mmolc dm-3) e a acidez do 

solo (pH 4.5 – 6.8). O CV (Coeficiente de Variação) dos atributos variou entre médio 

K (Potássio) (56.49%) e baixo pH (potencial hidrogeniônico) (5.4%). Atributos como 

o K e o pH do solo apresentaram variabilidade (DF<3) ao longo do desenvolvimento 

da cultura. Mg (Magnésio) e MO (Matéria Orgânica) apresentaram valores de DF 

(Dimensão Fractal) igual 3 ou maior 3 ao longo dos cortes realizados. Os atributos 

do solo estudados apresentaram dependência e variabilidade. O K foi o atributo que 

apresentou maior variabilidade, indicando DF<3 na área estudada. O nosso estudo 

mostra que o solo do Cerrado é heterogêneo e que a calagem para a correção da 

acidez do solo e as adubações para os próximos canaviais implantados deve 

considerar a variabilidade temporal do solo otimizando o aumento e a rentabilidade 

da fertilização e minimizando a variabilidade da fertilidade potencial. 

 

PALAVRAS-CHAVE: Agricultura sustentável, Variabilidade, Mudanças temporais; 

Conservação; Manejo agrícola. 

 

 
 
 
 
 
 
 

 



25 
 

 

TEMPORAL DYNAMICS OF SOIL FERTILITY IN SUGARCANE AREA WITH 
EMPHASIS ON SUSTAINABLE PRODUCTION 

 

ABSTRACT: The expansion of the area cultivated under sugarcane (Saccharum 

officinarum L.), has intensified in the biome of Cerrado and the study of the chemical 

and physical attributes of the soil associated with fertility is still insufficient. The 

objective of this work was to investigate, through fractal analysis, the spatio-temporal 

dynamics of soil attributes associated with sugarcane production in a dystrophic Red 

Latosol in the Cerrado area. To analyze the results, we used descriptive statistics 

and the fractal dimension. The results show mean values for CEC (76,73 mmolc dm-

3) and high soil acidity (pH 4.5 – 6.8). The CV for attribute K was medium (56.49%) 

and low for pH (5.4%). Attributes such as K and soil pH varied (DF<3) throughout the 

growth of the crop. Mg and OM showed Fractal Dimension values equal to 3 or 

greater than 3 along the cuts performed. The soil attributes studied showed 

dependence and variability. Attribute K showed the highest variability, indicating DF<3 

in the study area. Our study shows that the Cerrado soil is heterogeneous and that 

liming for correct soil acidity and fertilization for the next sugarcane plantations 

should consider temporal variability of the soil, optimizing the increase and 

profitability of fertilization and minimizing the variability of the potential fertility. 

 

Keywords: Sustainable agriculture, Variability, Temporal changes; Conservation; 

Agricultural management. 

 
 
 
 
 
 
 
 
 
 
 
 



26 
 

 

2.1 Introdução 
 
 

Garantir a fertilidade adequada do solo é o principal requisito da agricultura 

sustentável para alimentar as populações mundiais que estão em crescimento 

acelerardo. (Chauhan e Kulshreshtha, 2021; Yang et al., 2020), assegurando a 

produção vegetal e animal, mantendo ou melhorarando a qualidade da água e do ar 

e apoiando a saúde humana (Spaeth, 2020; Williams et al.,2020; Andrade et al., 

2021). Portanto, estudar o solo requer um conhecimento da fertilidade, de modo a 

ser vista em função das características biológicas, físicas e químicas do solo, 

implicando no fornecimento de nutrientes para o crescimento e produtividade das 

plantas com o manejo adequado de cada cultura (Shrivastav et al., 2020; Ashour et 

al 2021; Fierer et al., 2021). 

O avanço da agricultura brasileira tem crescido principalmente nas áreas de 

Cerrado. A implantação de um novo sistema de produção agrícola sustentável a ser 

proposto nessas áreas requer novas formas de produção, que proporcionem 

aumento da produtividade nos sistemas de produção de alimentos, com boa 

qualidade e com melhor retorno financeiro para produtores, garantindo equilíbrio 

social, econômico e ecológico. (Ali e Mujeeb-Kazi, 2021; Ciesielczuk and Kirk 

2022). No entanto, o solo do Cerrado apresenta baixa fertilidade natural (Mendonça 

et al., 2020; Alves de Andrade et al., 2021), e para um melhor desempenho 

necessita de um equilíbrio no fornecimento de nutrientes ao solo (Shukla et al., 

2020).   

A expansão do Cerrado se deu principalmente para o aumento de áreas de 

produção para a cana-de-açúcar, cultura mundial, muito cultivada em regiões 

tropicais e subtropicais (Baday, 2020; Neto et al., 2020; Yadav, 2020). O Brasil 

tornou-se o maior produtor de cana-de-açúcar do mundo, representando 39% da 

produção e 45% das exportações mundiais (USDA 2020, UNICA 2020; Silalertruksa 

and Gheewala 2020; Meghana and Shastri 2020). A região Centro-Sul do Brasil é 

responsável por cerca de 90% da produção de cana-de-açúcar e com a demanda de 

produção, faz-se necessária a adoção de um manejo eficaz para obter melhores 

resultados em áreas cultivadas com a cultura, mantendo a fertilidade do solo, bem 

como as características físicas e químicas adequadas para aumentar a qualidade do 



27 
 

 

produto. (El-Azeim et al., 2021; Palanni et al., 2021), tendo em vista que o manejo 

pode melhorar a produção e expressar diferentes padrões de variabilidade de 

atributos do solo nessas áreas, podendo até mesmo aumentar ao longo do tempo, 

uma vez que a dinâmica do solo pesa sobre a ação antrópica, que pode ser 

constantemente alterada, influenciando os atributos do solo. 

Sabendo que a variabilidade do solo é resultado da interação de propriedades 

físicas, químicas e biológicas que atuam sobre o solo em diferentes intensidades e 

escalas, a estatística clássica por si só não seria capaz de explicar a interação que 

ocorre, pois ela considera que os elementos que constituem um espaço são 

independentes. Portanto, a Geometria Fractal seria capaz de fornecer uma 

descrição mais abrangente e atual para o estudo do solo, sendo capaz de quantificar 

e prever sua dinâmica em uma variedade de escalas. (Meakin, 1991).  

A teoria dos fractais é um método de descrição de sistemas com escalas não 

características e autossimilaridade, foi primeiramente sugerida e estabelecida por 

Mandelbrot (1977). Na ciência do solo, a geometria fractal tem sido utilizada para 

avaliar o pH do solo, o teor de carbono orgânico, nitrogênio, fósforo e potássio 

disponível, a relação entre o tamanho de partículas e a formação de distribuição de 

agregados (Deng et al., 2017; Zou et al., 2021; Saiedi et al., 2017; Keshavarzi et al, 

2018; Chari et al, 2020). 

Portanto, sabendo da necessidade de racionalizar o uso de fertilizantes nas 

áreas de produção, pesquisas têm sido realizadas para analisar a variabilidade 

espacial dos atributos do solo, a fim de melhorar o uso de recursos nessas áreas, 

utilizando geoestatísticas que identificam se há ou não dependência espacial dentro 

de um intervalo de amostragem entre as observações realizadas, levando em 

consideração as informações pontuais no solo. Utilizando a análise fractal como 

ferramenta para facilitar a tomada de decisão e a adoção de medidas de manejo 

adequadas para melhorar a qualidade do solo, podemos utilizar a dinâmica dos 

atributos estudados e identificar essa alteração de atributo devido à ação antrópica. 

Assim, o uso de fertilizantes, a adoção de práticas de manejo eficientes e 

tecnologias como a agricultura de precisão (Sanches et al., 2021; Roberts et al, 

2021; Gardezi and Stock, 2021) pode transformar as regiões de Cerrado que foram 

palco de uma expansão da agricultura em áreas que considere a gestão das 



28 
 

 

atividades socioeconômicas de sustentabilidade e desenvolvimento humano, com 

foco em uma proposta de agricultura tropical sustentável (Dick et al., 2021; Jacob et 

al., 2021).  

Sabendo que um dos desafios para a agricultura é conciliar a demanda por 

alimentos com práticas mais sustentáveis, há uma necessidade de melhorar as 

práticas agrícolas, aprimorando a eficiência de utilização de nutrientes, minimizando 

o desperdício de alimentos e aperfeiçoando a produção. Dessa forma, o objetivo 

deste trabalho foi investigar as variações espaciais e temporais dos nutrientes do 

solo em áreas de cana-de-açúcar no bioma Cerrado utilizando análises fractais para 

o desenvolvimento da agricultura tropical sustentável. 

 

2.2 Materiais e Métodos 
 

A área de estudo localiza-se no município de Itumbiara-GO (Figura 3), com 

população aproximada de 104.742 habitantes em uma área com extensão de 

2.462,9 km² (IBGE, 2019) e localiza-se a uma altitude média de 443 metros acima 

do nível do mar, 18° 25' 18'' Latitude Sul e 49° 12' 56'' Longitude Oeste. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Figura 3. Localização geográfica da área de estudo com os pontos amostrais e 

descrições gerais do terreno. 



29 
 

 

A temperatura média em Itumbiara é de cerca de 25.0 °C, com taxas médias 

anuais de precipitação de 1123 mm. A região apresenta tipo de solo: Latossolo 

Vermelho distrófico, distroférrico, argiloso vermelho e cambissolo háplico. A área de 

estudo corresponde à bacia hidrográfica do rio Paraná, pertencente à região 

hidrográfica do Paraná. Os principais rios são o Paranaíba, Bois e Meia-Ponte. 

 

2.2.1 Instalação e Condução do Experimento 
 

O estudo foi conduzido em área de 630,23 ha, classificada como Latossolo 

Vermelho distrófico. A cultura plantada na área foi cana-de-açúcar, cultivar SP81-

3250. As operações de subsolagem foram realizadas antes do plantio, em gradagem 

intensiva com incorporação de calcário dolomítico e gesso.  

Antes do plantio foram realizadas aplicações de ureia CO(NH2)2, fosfato 

monoamônio (MAP) e cloreto de potássio (KCl). O Nitrato de amônio (NH4NO3) e 

cloreto de potássio (KCl) foram utilizados anualmente na área. Os micronutrientes 

foram aplicados nas folhas durante os meses de outubro e novembro. A cultura foi 

cultivada de janeiro a fevereiro, sendo a planta de cana-de-açúcar (primeiro corte) 

colhida em até 18 meses, com seguimento da safra anterior. 

 

 
2.2.3 Determinação dos atributos do Solo 

 

As amostras de solo foram coletadas para caracterização química da área, 

de acordo com a metodologia descrita pela Empresa Brasileira de Pesquisa 

Agropecuária (EMBRAPA, 1997). As amostras foram coletadas nas quatro glebas 

utilizando-se o método mais simples e direto de coleta de amostras superficiais, 

utilizando um trado de solo. 

A determinação do pH do solo foi realizada em solução normal de cloreto de 

potássio, de acordo com a metodologia adotada pelo Instituto Agronômico. A 

amostra foi transferida para o cilindro plástico e adicionada da solução em KCl 1 N. 

Logo após, começou a mexer por 15 minutos e esperou os 30 minutos para que o 

líquido se tornasse sobrenadante para realizar a leitura. 

 
 



30 
 

 

2.2.4 Análise Fractal dos Resultados 
 

A estrutura espacial das superfícies fractais podem ser descrita pela seguinte 

relação de lei de potência: (Miranda, 2000): 

 

, (2) 

 

em que z corresponde ao valor do atributo estudado, x representa a 

localização espacial, h é a distância de separação e H é a codimensão fractal ou 

expoente de Hölder (Huang and Bradford, 1992). If 0 < H ≤ 1, A codimensão fractal é 

definida como (Palmer, 1988): 

 

, (3) 

 

onde DF é a dimensão fractal, d é a dimensão euclidiana do sistema no qual a 

distribuição fractal foi descrita, ou seja, d = 1, 2 e 3 para linhas, superfícies e 

volumes, respectivamente. Assim, a dimensão fractal de um atributo do solo é dada 

por DF = 3 − H (Miranda, 2000). Assim, ao compararmos as Equações (1) e (2), 

podemos dizer que os dados ao apresentarem um comportamento fractal em uma 

dada escala, apresentam a seguinte proporção (Palmer, 1988): 

 

 (4a) 

 

ou, de outra forma: 

 

 (4b) 

 

De acordo com a equação (4b), a inclinação do variograma experimental na 

escala logarítmica é igual a 2H. Portanto, o expoente H foi obtido pela análise de 

regressão linear no gráfico dessa equação (Perfect e Kay, 1995): 

 

( ) ( ) Hhhxzxz +−

FDdH −=

( ) Hhh 2ˆ 

( )   hHh log2ˆlog 



31 
 

 

 

Classification standars of soil CEC 

CEC - pH 7,0 

Classification cmolc/dm3
 mmolc/dm3

 

Low < 5,5 < 55 

Average 5,6 – 15,0 56 – 150 

High 15,1 a 50,0 151 a 500 

Very High >50,1 >501 

 (5) 

 

O valor de DF é igual a 3 quando H = 0, o que representa a ausência de uma 

estrutura de variabilidade espacial (efeito pepita puro), pois não haveria relação 

entre a forma como o atributo varia no espaço em função de h, indicando a ausência 

de dimensão fractal. Entretanto, quando 0 < H < 3, a dimensão fractal assume 

valores que caracterizam a presença de uma estrutura de variabilidade espacial e a 

dependência do atributo com h (Palmer, 1988). 

 

 

2.3 Resultados e Discussão 
2.3.1 Variabilidade Espaçotemporal dos atributos estudados 
 

Os dados foram primeiramente analisados por meio de estatística descritiva, o 

que pode ser observado na Tabela 2 (média, erro padrão médio, desvio padrão, 

mínimo, máximo, coeficiente de variação, assimetria e curtose). A classificação da 

CTC pôde ser observada na Tabela 1. Como a CTC é uma importante característica 

química das terras cultivadas, nossos resultados indicaram valores médios para a 

CTC (76,73 mmolc dm-3), a CTC pode ter influenciado a estabilidade do solo, a 

disponibilidade de nutrientes, o pH do solo, bem como pode ter reagido com a 

adubação do solo (Bath et al., 2019). 

 

Table 1. Tabela de padrões de classificação da Capacidade de Troca Catiônica 

(CTC) do solo 

 

 

 

 

 

 

 

 

( ) 
 h

h
H

h log2

ˆlog
lim

0



→
=



32 
 

 

A variação dos atributos do solo pode ser classificada pelo seu coeficiente de 

variação. (CV), um indicador importante para a compreensão da natureza da 

variação. Ressalta-se que grande parte desses atributos é afetada pelo manejo do 

solo. Warrick e Nielsen (1980), considerando baixos os valores de CV <12%, médios 

para 12%< CV<60% e altos para CV>60% área. 

As variáveis Ca (48,37%), CTC (19,33%), K (56,49%), Mg (39,28%) e MO 

(13,48%) foram classificadas como médias. Por outro lado, o pH do solo foi 

classificado como baixo (5,4%). Essa heterogeneidade nos valores de CV pode ter 

várias causas, como o acúmulo e a distribuição das partículas do solo devido ao 

relevo e ao fluxo de água, além da falta de homogeneidade durante o manejo 

químico com aplicação de corretivo de solo (Moitinho et al., 2021). 

 

Table 2. Estatística descritiva das variáveis na área cultivada com cana-de-açúcar. 

Média; Mediana; E.P. Erro Padrão; D.P, Desvio Padrão; Curt, Curtose; Ass., Assimetria; 

GLEBA 01   
Média Med. E. P D. P Curt. Ass. Mín. - Máx. CV% 

Ca 
 

32,01 31,00 0,91 13,42 9,65 2,05 12-120 41,94 
CTC 

 
79,05 79,00 0,92 13,54 3,31 1,13 52-148 17,12 

K 
 

1,11 1,00 0,05 0,66 37,85 4,74 0,4-7,4 59,69 
Mg 

 
10,20 10,00 0,23 3,41 0,30 0,75 5-21 33,38 

MO 
 

31,53 32,00 0,28 4,10 -0,37 0,30 25-42 13,02 
pH 

 
5,28 5,20 0,02 0,26 6,22 1,73 4,9-6,8 4,98 

GLEBA 02 

Ca 
 

27,65 26,50 0,71 13,73 6,30 1,57 7-120 49,63 
CTC 

 
75,77 75,00 0,80 15,48 2,68 0,27 5,3-148 20,43 

K 
 

1,06 1,00 0,03 0,60 32,64 3,96 0,2-7,4 56,97 
Mg 

 
9,33 9,00 0,20 3,85 1,44 1,05 3-25 41,23 

MO 
 

30,20 30,00 0,21 4,11 0,05 0,27 21-42 13,61 
pH 

 
5,16 5,10 0,02 0,31 3,03 0,95 4,5-6,8 6,03 

GLEBA 03 

Ca 
 

27,57 27,00 0,61 13,12 6,15 1,46 7-120 47,59 
CTC 

 
75,85 76,00 0,69 14,99 2,36 0,23 5,3-148 19,77 

K 
 

1,01 0,90 0,03 0,57 35,46 4,06 0,2-7,4 55,97 
Mg 

 
9,46 9,00 0,17 3,67 1,35 0,94 3-25 38,86 

MO 
 

30,30 30,00 0,18 3,93 0,28 0,31 21-42 12,97 
pH 

 
5,18 5,20 0,01 0,29 3,24 0,88 4,5-6,8 5,66 

GLEBA 04 

Ca 
 

26,49 26,00 0,54 14,39 36,38 3,58 5-206 54,32 
CTC 

 
76,25 75,00 0,57 15,26 28,66 2,53 5,3-257 20,01 

K 
 

0,97 0,90 0,02 0,52 36,17 3,95 0,2-7,4 53,34 
Mg 

 
8,64 8,00 0,14 3,77 0,90 0,80 2-25 43,68 

MO 
 

31,91 32,00 0,17 4,57 -0,22 0,26 21-45 14,33 
pH 

 
5,14 5,10 0,01 0,29 2,64 0,79 4,5-6,8 5,58 



33 
 

 

Min, Mínimo; Max, Máximo; CV, coeficiente de Variação (%). 

 

A capacidade de troca catiônica indica que o solo, em seus atributos argila ou 

matéria orgânica, apresenta predomínio de cargas negativas na camada superficial. 

Como os opostos se atraem, cargas positivas se ligam a essas partículas, 

destacando cátions. Ca²+, Mg²+ e K+, sendo o magnésio (Mg 9,40 mmolc dm-3), cálcio 

(Ca 28 mmolc dm3) e potássio (K 1,03 mmolc dm-3), os três nutrientes mais 

importantes das plantas (Adnan et al., 2021; Bel et al., 2020). 

Na Figura 4, do 1º ao 2º corte, não há pontos de DF = 3 ou DF <3, o que 

indica ausência de estrutura de variabilidade, com exceção da CTC. Porém, já no 3º 

corte, o atributo K começa a mudar (DF >3 para DF<3) e apresenta dependência 

(DF<3). Mostrando que algumas variáveis como CTC, Ca e Mg são menos 

modificadas (DF >3) que K, que desde então tem sido a variável que tem mostrado 

maior dependência ao longo dos anos de gestão analisados. A CTC apresentou-se 

(DF<3) apenas em 1º e 2º, especificamente nos ângulos de 150° e 300° 

respectivamente, mostrando-se estruturada (DF=3 ou DF>3) nos demais cortes. O 

Ca mostrou-se dependente (DF<3) apenas no 6º e 7º corte, também no mesmo 

ângulo de dependência (60 e 240°). 

A partir do 3º corte, nos ângulos de 60°, 120° e 150°, K passou a apresentar 

alta variabilidade (DF<3). Sendo igualmente predominante no 4º e 5º corte. Por outro 

lado, o Mg não apresentou dependência fractal (FD<3) ao longo dos cortes 

realizados. Exceto por uma pequena variabilidade (DF<3) próxima a 0 e ângulo de 

180° observada no 5º corte. 

Sabendo-se que o solo mantém mais fortemente cátions polivalentes, dando 

preferência à troca catiônica (K+<Mg²+<Ca²+), a concentração de cada cátion na 

solução do solo poderia influenciar a ordem de preferência, uma vez que a solução é 

diluída, com menos cátions por volume de água no solo. A variação na 

disponibilidade de nutrientes a cada ano pode ser a resposta à fertilidade devido ao 

manejo adotado na área de cana-de-açúcar. Dependendo do manejo utilizado, 

podem ocorrer efeitos benéficos na disponibilidade de K+, Ca2+ e Mg2+ (Leal et al., 

2013; Vuyyuru et al., 2020).  

Outro fator que pode explicar a variabilidade desses macronutrientes seria a 

natureza de solos tropicais com CTC essencialmente variável, pois o intemperismo 



34 
 

 

químico em solos tropicais causa depleção de componentes solúveis, resultando em 

condições pobres em nutrientes com baixa capacidade de troca catiônica (CTC) e 

aumenta o Al tóxico para as plantas na solução do solo (Nieuwenhuyse et al., 2000; 

Ryan e Huertas, 2009; Singh et al., 2017; Van Ranst et al., 2017). 

Na Figura 5, temos outros dois fatores que inferem na CTC do solo, o pH e a 

MO, com valores médios de 5,19 mmolc dm-3 e 30,98 g kg-1 respectivamente. A MO, 

embora apresente pequena variabilidade (DF<3) no 2º corte no ângulo de 30°, onde 

no mesmo ano, tanto a CTC quanto o pH apresentaram a mesma variabilidade 

(DF<3) sob o mesmo ângulo. Das três, MO foi a variável que apresentou maior 

estabilidade ao longo dos anos (DF=3 ou DF>3), sem estrutura de alta variabilidade 

(DF<3) ao longo do desenvolvimento da cultura. Assim, pode-se inferir que a cultura 

utiliza o nutriente aplicado ao solo e que esse atributo tem permanecido na área, 

padrão geralmente observado em canaviais no Brasil. 

O pH apresentou maior dependência espacial (DF<3) no 1º e 2º corte nos 

mesmos ângulos de 0° a 30°, o que equivale aos dois primeiros manejos para o 

desenvolvimento da cultura da cana-de-açúcar. A dose de nitrato de amônio 

aplicada a cada ciclo subsequente na superfície do solo pode explicar essa 

dependência do período inicial. O solo é naturalmente ácido (pH 4,5 - 6,8) devido à 

questão de origem na intensidade do intemperismo, tendo estabilidade durante a 

estação de crescimento da cultura ao longo dos cortes decorrente do fato de seu CV 

ter sido classificado como baixo (5,4 %).  



35 
 

 

 

 

 

 

  

 

 

CTC 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

K Mg 

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B 0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Ca 

 

 

 

 

 

 

 

  

 

CTC 0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

K Mg 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Ca 

 

 

 

 

 

  

CTC 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

K Mg 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Ca 

                            

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
CTC 

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

K 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

MG 

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Ca 

 
CTC 

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

K Mg 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Ca 

 

 

 

 

 

 

 

 

 

 

 

CTC 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

K Mg 

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Ca 

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Figura 4. Dimensão fractal (DF) nas direções dos atributos do solo cultivado com cana-de-açúcar. (CTC, Ca, K, Mg). 

 

 

 

 

 

 

 

 

 

 

  

 

 

 

 

 

 

         

 

 

 

 

  

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

K 
MG 

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

Ca 

5th Cut  

6th Cut  

4th Cut  1st Cut 

2nd Cut 

3rd Cut 

7th Cut  



36 
 

 

 

 

 CTC MO pH 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

 CTC MO pH 0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

 

CTC MO pH 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

 

 

 

 

 

 

CTC MO pH 
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

7th Cut 
 

Figure 5. Dimensão fractal (DF) em diferentes direções dos atributos do solo sob cultivo de cana-de-açúcar. (CTC, MO, pH) 

 

 

 

 

  

 

 

 

 

 

 

 

 

 

CTC MO pH 0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

 

 

 CTC MO pH 0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B 0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

 
 

CTC MO pH 0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B
0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

0

30

60

90

120

150

180

210

240

270

300

330

0

1

2

3

4

0

1

2

3

4

 B

2nd Cut 
 

3nd Cut 
 

5th Cut 
 

6th Cut 
 

1st Cut 
 

4th Cut 
 



37 
 

 

O uso de fertilizantes tem aumentado nos últimos anos para melhorar a 

produção agrícola, particularmente em países em desenvolvimento, como o Brasil. 

Neste estudo, foram avaliados atributos como CTC, Ca, K, Mg, MO e pH em solo 

cultivado sob cultivo de cana-de-açúcar.  Sabe-se que técnicas de plantio e 

alteração das características do solo por meio da calagem e adubação podem 

proporcionar maior produtividade (Santos et al., 2020).  

Ao contrário da percepção adotada para o manejo da aplicação na área 

durante os anos de estudo, verificou-se que a prática de adubação do solo após a 

colheita não foi efetiva ao longo dos anos. pode ser representada pela 

heterogeneidade dos valores de CV, associada ao acúmulo e distribuição de 

partículas de solo devido à forma do terreno e ao fluxo de água, também pela falta 

de homogeneidade durante o manejo químico com aplicação de corretivo de solo 

(Moitinho et al., 2021).  

Normalmente, o pH do solo é um parâmetro considerado estável. No entanto, 

a variabilidade (pH) moderada a baixa pode ser atribuída aos processos 

pedogênicos, e a variabilidade nos atributos do solo pode ser atribuída ao efeito 

combinado do tipo de solo, condições climáticas e práticas de manejo do solo para o 

cultivo. 

Em termos de fractalidade, geralmente é observada mais fortemente em troca 

de atributos complexos e sua variabilidade pode ser afetada por adubação, aditivos 

orgânicos, calagem, práticas de preparo do solo, entre outros. ( Vidal-Vázquez et al., 

2013 ).  

A variabilidade do K pode ter sido consequência da disponibilidade de 

nutrientes como Ca e Mg. K sendo o macronutriente que apresentou maior 

dependência (DF<3), sendo o Mg a variável que se mostrou mais padronizada para 

cada ciclo. O solo de cerrado tem baixo potencial de carga, que em combinação com 

fontes solúveis de potássio como o KCl pode levar a perdas por lixiviação. O 

potássio na solução do solo faz o movimento vertical e pode ser perdido através da 

lixiviação. A fonte de potássio utilizada também influencia a perda (Sanzonowicz e 

Mielniczuk, 1985; Yamada e Roberts 2005), pois sais de potássio de alta 

solubilidade aumentam o teor de potássio da solução do solo, favorecendo a 

lixiviação (Raij 2011).  

https://www.sciencedirect.com/science/article/pii/S1537511016305943#bib33
https://www.sciencedirect.com/science/article/pii/S1537511016305943#bib33


38 
 

 

Solos de cerrado são ácidos e pobres em nutrientes e pobres em cátions 

trocáveis, por exemplo, Ca  2+, Mg 2+ e K+ (Bustamante et al.2012). Solos com teor de 

acidez (como o solo estudado) tendem a fornecer menos Mg e Ca devido à 

absorção menos eficiente desses íons. Normalmente, a fertilidade do solo e a 

disponibilidade de cálcio/magnésio dependem em grande parte das propriedades do 

solo e do manejo do campo. Como uma importante prática de manejo de campo, o 

fertilizante aumenta diretamente os nutrientes no solo para melhorar a fertilidade do 

solo (Cai et al., 2019: Zhang et al., 2021). 

A aplicação de nitrato e amônio em cada ciclo da cana-de-açúcar pode ter 

acidificado o solo, mostrando que a dose de nitrato de amônio aplicada não foi 

ineficaz, o que contribuiu para a acidez do solo. Assim, de acordo com Sanches et al 

(2019), a produtividade da cana-de-açúcar é afetada pela variabilidade temporal do 

pH, tornando-se fator crítico para a saúde da cultura. Portanto, o pH deve ser 

analisado detalhadamente ao longo de cada ciclo da cultura, e não apenas uma vez 

na fase de plantio ou a cada 2 anos, como é mais comum no Brasil. A matéria 

orgânica, ao final do estudo está totalmente padronizada, outros estudos mostram 

que esta é uma característica em áreas de cana-de-açúcar. 

O solo é o ecossistema que deve se equilibrar entre atributos físicos, 

químicos e biológicos, e o desafio da produção sustentável de alimentos é equilibrá-

los. Entender a fertilidade e o processo de manejo, correção e adubação do solo é 

um dos fatores importantes para uma produção de alimentos mais eficiente e 

sustentável. 

Para alcançar uma produção sustentável durante o desenvolvimento da 

cultura ao longo dos períodos de corte, o comportamento dos nutrientes essenciais 

deve ser observado. Na área, observou-se que a adubação e a correção não 

alcançaram a efetividade quantitativa adequada e equilibrada quanto à uniformidade, 

homogeneidade da terra cultivada, considerando-se principalmente elementos K. 

Práticas de manejo equivalentes à ação antrópica para a implantação da 

cultura da cana-de-açúcar, como correção, adubação mineral e adubação orgânica 

da palha remanescente durante a colheita, devem ser realizadas de forma eficaz 

para a obtenção de um solo fértil e de alta produtividade, fornecendo nutrientes 

suficientes em proporções adequadas para serem absorvidos pelo sistema radicular. 

https://link.springer.com/article/10.1007/s00253-021-11377-w#ref-CR10
https://www.sciencedirect.com/science/article/pii/S0341816221002010#b0055


39 
 

 

No entanto, o desequilíbrio observado na superfície de desenvolvimento da cultura 

reflete a falta de nutrientes disponíveis. 

Ao longo dos períodos de desenvolvimento da cultura, imediatamente após o 

corte, observa-se o fornecimento inadequado de CTC, nutrientes K, o que causa 

limitações no crescimento e produtividade das plantas. Portanto, o manejo de 

correção e adubação, para aumentar a efetividade do uso agronômico do recurso do 

solo, deve ser um planejamento estrutural nos pontos-chave da cultura, para 

disponibilizar nutrientes de forma homogênea, otimizando o aumento e a 

rentabilidade da adubação e minimizando a variabilidade da fertilidade potencial. 

 

2.4 Conclusão 

 
 

Os atributos do solo estudados demonstraram dependência e variabilidade. O 

atributo K apresentou maior variabilidade na área de estudo e não absorveu 

efetivamente os nutrientes oferecidos à cultura da cana-de-açúcar.  A calagem para 

correção da acidez do solo e adubação de canaviais subsequentemente implantados 

deve considerar a variabilidade temporal do solo. O uso da análise fractal possibilita 

a identificação de atributos homogêneos e heterogêneos, permitindo o ajuste do 

manejo da área. 

Recomenda-se a construção de mapas de krigagem para melhor 

compreensão da variabilidade dos atributos do solo para fazer uso de doses 

adequadas de fertilizantes, proporcionando economia e eficiência da aplicação. 

 

 

5 Referências 
 

Adna M, Tampubolon K, Rehman FU, Saeed MS, Hayyat, MS, Imran, M, Tahir, R,  
Mehta J (2021). Influence of foliar application of Magnesium on Horticultural crops: A 
review. AGRINULA: J, Agro. Perk. 4(1), 13-21. DOI: 
https://doi.org/10.36490/agri.v4i1.109. 

Ali N, Mujeeb-Kazi, A (2021). Food Production: Global Challenges to Mitigate 
Climate Change. In: Wani S.H., Mohan A., Singh G.P. (eds) Physiological, Molecular, 



40 
 

 

and Genetic Perspectives of Wheat Improvement. Springer, Cham. 
https://doi.org/10.1007/978-3-030-59577-7_1. 

Alves de Andrade C, Ramsdorf Gomes Patinni I, Andrea Pantaleão, Pereira Ribeiro 
Teodoro L, Naudi Silva Campos C, Pereira de Souza J, Eduardo Teodoro P (2021). 
Physiological response and earliness of soybean genotypes to soil base saturation 
conditions. Journal of Agronomy and Crop Science, 207(1), 163-169.  
https://doi.org/10.1111/jac.12439 

Andrade VHGZ, Redmile-Gordon M, Barbosa BHG, Andreote FD, Roesch, LFW, 
Pylro VS (20210. Artificially intelligent soil quality and health indices for ‘next 
generation’food production systems. Trends in Food Science & Technology. 
https://doi.org/10.1016/j.tifs.2020.10.018 

Ashour M, Hassan SM, Elshobary ME, Ammar GA, Gaber A, Alsanie WF, El-
Shenody R (2021). Impact of commercial seaweed liquid extract (TAM®) biostimulant 
and its bioactive molecules on Growth and Antioxidant Activities of Hot Pepper 
(Capsicum annuum). Plants, 10(6), 1045. https://doi.org/10.3390/plants10061045 

Baday SJ (2020). Sugarcane of Rapid Multiplication by Callogenesis. In Journal of 
Physics: Conference Series (Vol. 1660, No. 1, p. 012005) doi:10.1088/1742-
6596/1660/1/012005 

Baht MK, Labanya R, Joshi HC (2019). Influence of long-term chemical fertilizers and 
organic manures on soil fertility-A review. Univers. J. Agric. Res, 7(5), 177-188. DOI: 
10.13189/ujar.2019.070502. 

Bel J, Legout A, Saint André L, Hall S, Löfgren S, Laclau JP, Van der Heijden G 
(2020). Conventional analysis methods underestimate the plant-available pools of 
calcium, magnesium and potassium in forest soils. https://doi.org/10.1038/s41598-
020-72741-w. 

Bustamante M, Brito DQ, Kozovits AR, Luedemann, G, Mello TR, Siqueira Pinto A,