UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” FACULDADE DE CIÊNCIAS E ENGENHARIA Programa de Pós-Graduação em Agronegócio e Desenvolvimento BRUNO CÉSAR GÓES MODELAGEM FUZZY DA PRODUÇÃO E NUTRIÇÃO DA SOJA NO PLANTIO DIRETO UTILIZANDO DOSES DE MOLIBDÊNIO VIA FOLIAR E NITROGÊNIO TUPÃ-SP 2020 BRUNO CÉSAR GÓES MODELAGEM FUZZY DA PRODUÇÃO E NUTRIÇÃO DA SOJA NO PLANTIO DIRETO UTILIZANDO DOSES DE MOLIBDÊNIO VIA FOLIAR E NITROGÊNIO Tese apresentada ao Programa de Pós-Graduação em Agronegócio e Desenvolvimento da Universidade Estadual Paulista “Júlio de Mesquita Filho”, Campus de Tupã, como requisito para a obtenção do título de Doutor em Agronegócio e Desenvolvimento. Área de concentração: Agronegócio e Desenvolvimento Linha de pesquisa: Desenvolvimento e Meio Ambiente Orientador: Prof. Dr. Luís Roberto Almeida Gabriel Filho Coorientadores: Prof. Dr. Renato Jaqueto Goes Profa. Dra. Camila Pires Cremasco Gabriel TUPÃ-SP 2020 Ficha catalográfica elaborada pela Seção Técnica de Biblioteca e Documentação da FCE – Unesp, Câmpus Tupã: Fonte: Eliana Kátia Pupim, bibliotecária CRB 8 – 6202. 1. Modelagem Matemática. 2. Milheto. 3. Sorgo. 4. Coberturas Vegetais. I.Título. II. Autor. Góes, Bruno César Modelagem Fuzzy da produção e nutrição da soja no plantio direto utilizando doses de molibdênio via foliar e nitrogênio / Bruno César Góes. – Tupã: [s.n.], 2020. 164 f. : il. Tese (Doutorado em Agronegócio e Desenvolvimento) – Universidade Estadual Paulista UNESP – Faculdade de Ciências e Engenharia, 2020. Orientador: Luís Roberto Almeida Gabriel Filho Coorientador: Renato Jaqueto Goes Coorientador: Camila Pires Cremasco Gabriel G598m Dedico, À minha família, pais e irmãos, por todo incentivo dado durante esta longa caminhada para realização desse sonho, e ao meu filho e esposa, por estarem ao meu lado durante todo tempo. AGRADECIMENTOS Inicialmente agradeço à DEUS pela realização de uma etapa tão grandiosa e vitoriosa em minha vida, completada com muita perseverança durante este longo caminho, que começou a ser trilhado no ano de 2013. Agradeço à minha família, meus pais Antônio e Roseli, pela educação e ensinamento de vida, na busca pelos meus sonhos e conquistas, fruto de trabalho e dedicação. Aos meus irmãos, Juninho e Caio, pelo apoio, carinho e parceria demonstrada ao longo da vida, e durante esta etapa de finalização e concretização de um sonho, para com os quais, tenho minha eterna gratidão e amor. Ao meu filho Bruninho, o ser mais precioso, que tenho como fonte de motivação e superação em busca de meus objetivos pessoais e profissionais, te amo. A minha esposa Élida, que presenciou ao meu lado todas as dificuldades encontradas ao longo desse caminho, me ajudando a superar cada etapa. Aos meus amigos, o orientador Prof. Dr. Luís Roberto Almeida Gabriel Filho e Prof. Dr. Fernando Ferrari Putti, pessoas, as quais não me cabem palavras da tamanha gratidão e responsabilidade atribuída a vocês por essa realização, e que sempre os levarei como exemplos de professores e de pessoas ao longo da vida, profissional e pessoal. A Profa. Dra. Camila Pires Cremasco e Prof. Dr. Renato Jaqueto Góes pelo apoio e orientação ao longo dessa jornada acadêmica, acompanhando desde tempo de graduação e mestrado. Aos amigos, Willian Zanetti e Jhonatan Piazentin, que compartilham da mesma vida acadêmica, agradeço pelos auxílios requeridos durante este tempo. A Faculdade de Ciências e Engenharia – UNESP e Programa de Pós-graduação em Agronegócio e Desenvolvimento – PGAD, por todas oportunidades que me foram dadas, para construção da vida acadêmica, iniciada em 2011 na graduação até a conclusão do doutorado em 2020, e acolhimento por todo o processo envolvido durante o período de transferência, e que sem essas oportunidades, não seria possível a concretização dessa etapa, MUITO OBRIGADO! Aos funcionários e docentes da Faculdade de Ciências e Engenharia – UNESP Campus de Tupã, pelo convívio diário e por toda presteza e solicitude no atendimento quando se fez necessário durante esses anos. RESUMO A soja é considerada uma das principais culturas do agronegócio brasileiro, sendo na sua maioria utilizada para a fabricação de ração, muito embora, haja um crescimento de seu uso na alimentação humana, como para a produção de biocombustíveis. Devido à grande extensão da área destinada à produção da soja, seu plantio ocorre sob uma grande diversidade de solos e climas, característicos do Brasil, proporcionando diferentes condições edafoclimáticas, interferindo diretamente na produtividade da cultura da soja. Desse modo, é de interesse a utilização da manutenção da palhada de coberturas vegetais proporcionando o aumento do teor nutricional do solo além de reduzir a perda de água pelo processo de evaporação, melhorando o armazenamento de água e nutrientes no solo. O Sistema Plantio Direto (SPD) é uma tecnologia que tem por característica a ocupação permanente do terreno agrícola por meio de culturas vegetais, no qual é feito o plantio sobre a palhada da cobertura vegetal da cultura antecessora. Nesse sentido, o milheto, assim como o sorgo é uma cultura muito utilizada como cobertura vegetal por ter como características, o rápido desenvolvimento mesmo sob condições de déficit hídrico, além de possuir o sistema radicular profundo possibilitando na alta capacidade de extração de nutrientes e do volume de produção de palhada. Nesse sentido, é usual a realização de experimentos agronômicos, no qual busca-se aferir estatisticamente o comportamento de culturas vegetais em relação à causas e efeitos visando a otimização dos recursos em experimentação. A técnica da lógica fuzzy, baseia-se na habilidade de modular e expressar o raciocínio humano de maneira simplificada e compreensível, em áreas, nas quais são tratadas informações imprecisas, assim como ocorrem nos experimentos agronômicos. Sendo assim, com base no experimento realizado, em que consistiu na utilização da cultura da soja sob diferentes doses de molibdênio com aplicação via folar e cultivada sob a cobertura vegetal de milheto e sorgo sob diferentes doses de nitrogênio em SPD, buscou-se realizar a modelagem fuzzy dos efeitos em relação às variáveis biométricas, nutricionais e de produtividade dos grãos de soja. Dessa maneira, foram considerados satisfatórios a realização da modelagem matemática fuzzy para expressar o comportamento das variáveis de produtividade, biométricas e nutricionais sob diferentes dosagens de nitrogênio aplicada em cobertura vegetal de milheto e sorgo diferentes níveis de molibdênio aplicado via foliar na cultua da soja em sucessão. E, portanto, as superfícies tridimensionais permitem analisar o comportamento simultaneamente das variáveis analisadas em função da variação dos fatores condicionantes, nitrogênio e molibdênio. Palavras-chave: Lógica Fuzzy, Cobertura Vegetal, Modelagem Matemática. ABSTRACT Soybean is one of the main crops of Brazilian agribusiness, being mostly used for the manufacture for animal feeding, although there is a growth of its use in human food, as well as for the production of biofuels. Due to the large extension of the area destined to soy production, this causes its planting to occur under a great diversity of soils and climates, characteristic of Brazil, providing different edaphoclimatic conditions, directly interfering with soybean crop productivity. Thus, it is of interest to use the mulching of mulches, increasing the nutritional content of the soil and reducing water loss through the evaporation process, improving the storage of water and nutrients in the soil. No-Tillage System (NTS) is a technology wich has the permanent occupation of the agricultural land by means of plant crops, which is planted on the mulch of the predecessor crop. In this sense, millet, as well as sorghum is a crop widely used as vegetation cover because of its characteristics, the rapid development even under water deficit conditions, besides having a deep root system allowing in the high capacity of extraction of nutrients and straw production volume. In this sense, it is usual to carry out agronomic experiments, which seeks to statistically assess the behavior of plant crops in relation to causes and effects in order to optimize the resources under experimentation. The technique of fuzzy logic is based on the ability to modulate and express human reasoning in a simplified and understandable manner, in areas where inaccurate information is treated, as occurs in agronomic experiments. Thus, based on the experiment, which consisted of the use of soybean under different doses of molybdenum with application via folar and grown under the cover of millet and sorghum under different doses of nitrogen in NTS, the aim was to perform the modeling. effects in relation to biometric, nutritional and yield variables of soybeans. Thus, fuzzy mathematical modeling was considered satisfactory to express the behavior of productivity, biometric and nutritional variables under different dosages of nitrogen applied in millet and sorghum cover, different levels of foliar molybdenum applied to soybean crop in succession. Therefore, the three-dimensional surfaces allow to analyze the behavior of the analyzed variables simultaneously as a function of the variation of the conditioning factors, nitrogen and molybdenum. Keywords: Fuzzy Logic, Vegetation Coverage, Mathematical Modeling. LISTA DE TABELAS Tabela 1 – Definição das funções de pertinência triangulares da variável de entrada. ........... 33 Tabela 2 – Definição da função de pertinência da variável de entrada nitrogênio. ................ 34 Tabela 3 - Definição da função de pertinência da variável de entrada molibdênio. ............... 34 Tabela 4 - Características dos delimitadores da 𝑗-ésima variável de saída do SBRF, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ, com funções de pertinência triangular. ................................................................. 36 Tabela 5 - Base de regras do sistema fuzzy relativa à 𝑗-ésima variável de saída do SBRF, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ ....................................................................................................................... 37 Tabela 6 – Passos de Amalgamação das variáveis de saída da cultura da soja para a cobertura vegetal de milheto. ............................................................................................................... 41 Tabela 7 – Correlação de Pearson entre as variáveis de saída analisadas para a cultura da soja com cobertura vegetal de milheto para nível de significância de 5% (Ano 2013/14). ............ 42 Tabela 8 – Correlação de Pearson entre as variáveis de saída analisadas para a cultura da soja com cobertura vegetal de milheto para nível de significância de 5% (Ano 2014/15). ............ 43 Tabela 9 - Média das variáveis analisadas, produtividade, variáveis biométricas e teores foliares da cultura da soja semeada em palhada de milheto durante o Ano 1. .................................... 45 Tabela 10 - Média das variáveis analisadas, produtividade, variáveis biométricas e teores foliares da cultura da soja semeada em palhada de milheto durante o Ano 2. ........................ 46 Tabela 11 - Teste F das variáveis de produtividade, biométricas e nutricionais da cultura da soja semeada em palhada de milheto sob SPD. ..................................................................... 47 Tabela 12 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de N, P, K, Ca e Mg do Ano 1 para cobertura vegetal de milheto. ............................................. 50 Tabela 13 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de S, Mo, Cu, Zn e Mn do Ano 1 para cobertura vegetal de milheto. ......................................... 51 Tabela 14 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de N, P, K, Ca e Mg do Ano 2 para cobertura vegetal de milheto. ............................................. 54 Tabela 15 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de S, Mo, Cu, Zn e Mn do Ano 2 para cobertura vegetal de milheto. ......................................... 54 Tabela 16 - Intervalo do conjunto fuzzy de saída dos teores foliares de nutrientes para a cobertura vegetal de milheto. ............................................................................................... 55 Tabela 17 - Base de regras do sistema fuzzy dos teores foliares de nutrientes do ano safra 2013/14, para a cultura da soja semeada sob a palhada de milheto, cultiva em SPD. ............. 56 Tabela 18 - Base de regras do sistema fuzzy dos teores foliares de nutrientes do ano safra 2014/15, para a cultura da soja semeada sob a palhada de milheto, cultiva em SPD. ............. 57 Tabela 19 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas durante o Ano 1 para a cobertura vegetal de milheto. ............................................................................................................... 71 Tabela 20 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas durante o Ano 1 para a cobertura vegetal de milheto. ................................................................................................................................ 71 Tabela 21 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas no Ano 2 para cobertura vegetal de milheto. ................................................................................................................................ 74 Tabela 22 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas no Ano 2 para cobertura vegetal de milheto. ............................................................................................................................................ 74 Tabela 23 - Intervalo dos conjuntos fuzzy de saída das variáveis biométricas para cobertura vegetal de milheto. ............................................................................................................... 75 Tabela 24 - Base de regras do sistema fuzzy das variáveis biométricas e de produtividade do ano safra 2013/14, para a cultura da soja semeada sob a palhada de milheto, cultiva em SPD. ............................................................................................................................................ 76 Tabela 25 - Base de regras do sistema fuzzy das variáveis biométricas e de produtividade do ano safra 2014/15, para a cultura da soja semeada sob a palhada de milheto, cultiva em SPD. ............................................................................................................................................ 77 Tabela 26 - Dados climáticos de temperatura e precipitação das safras 2013/14 e 2014/15, da cidade de Selvíria-MS (FEPE). ............................................................................................ 92 Tabela 27 – Definição da função de pertinência da variável de entrada nitrogênio. .............. 97 Tabela 28 – Definição da função de pertinência da variável de entrada molibdênio. ............ 97 Tabela 29 - Características dos delimitadores das variáveis de saída do SBRF, com funções de pertinência triangular. .......................................................................................................... 99 Tabela 30 - Base de regras do sistema fuzzy relativa à 𝑗-ésima variável de saída do SBRF, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ ..................................................................................................................... 100 Tabela 31 – Passos de Amalgamação das variáveis de saída da cultura da soja para a cobertura vegetal de sorgo. ................................................................................................................ 104 Tabela 32 – Correlação de Pearson entre as variáveis de saída analisadas para a cultura da soja com cobertura vegetal de sorgo para nível de significância de 5% (Ano 2013/14). ............. 105 Tabela 33 – Correlação de Pearson entre as variáveis de saída analisadas para a cultura da soja com cobertura vegetal de sorgo para nível de significância de 5% (Ano 2014/15). ............. 106 Tabela 34 - Média das variáveis analisadas, produtividade, variáveis biométricas e teores foliares da cultura da soja semeada em palhada de sorgo durante o Ano 1. ......................... 108 Tabela 35 - Média das variáveis analisadas, produtividade, variáveis biométricas e teores foliares da cultura da soja semeada em palhada de sorgo durante o Ano 2. ......................... 109 Tabela 36 - Teste F das variáveis de produtividade, biométricas e nutricionais da cultura da soja semeada em palhada de sorgo sob SPD. ...................................................................... 110 Tabela 37 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de N, P, K, Ca e Mg do Ano 1 para a cobertura vegetal de sorgo. ........................................... 114 Tabela 38 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de S, Mo, Cu, Zn e Mn do Ano 1 para a cobertura vegetal de sorgo. ....................................... 114 Tabela 39 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de N, P, K, Ca e Mg do Ano 2 para a cobertura vegetal de sorgo. ........................................... 117 Tabela 40 - Delimitadores das funções de pertinência do conjunto fuzzy de saída dos teores de S, Mo, Cu, Zn e Mn do Ano 2 para a cobertura vegetal de sorgo. ....................................... 118 Tabela 41 - Intervalo do conjunto fuzzy de saída dos teores foliares de nutrientes para a cobertura vegetal de sorgo. ................................................................................................. 118 Tabela 42 - Base de regras do sistema fuzzy dos teores foliares de nutrientes do Ano 1, para a cultura da soja semeada sob a palhada de sorgo, cultiva em SPD. ....................................... 120 Tabela 43 - Base de regras do sistema fuzzy dos teores foliares de nutrientes do Ano 2, para a cultura da soja semeada sob a palhada de sorgo, cultiva em SPD. ....................................... 121 Tabela 44 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas durante o Ano 1 para a cobertura vegetal de sorgo. ................................................................................................................ 133 Tabela 45 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas durante o Ano 1 para a cobertura vegetal de sorgo. ................................................................................................................................. 133 Tabela 46 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas durante o Ano 2 para a cobertura vegetal de sorgo. ................................................................................................................ 136 Tabela 47 - Delimitadores das funções de pertinência do conjunto fuzzy de saída das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas durante o Ano 2 para a cobertura vegetal de sorgo. ................................................................................................................................. 136 Tabela 48 - Intervalo dos conjuntos fuzzy de saída das variáveis biométricas para cobertura vegetal de sorgo. ................................................................................................................ 137 Tabela 49 - Base de regras do sistema fuzzy das variáveis biométricas e de produtividade do ano safra 2013/14, para a cultura da soja semeada sob a palhada de sorgo, cultiva em SPD. 138 Tabela 50 - Base de regras do sistema fuzzy das variáveis biométricas e de produtividade do ano safra 2014/15, para a cultura da soja semeada sob a palhada de sorgo, cultiva em SPD. 139 Tabela 51 - Coeficiente de Correlação de Spearman da cultura da soja cultivada em coberturas vegetais de milheto e sorgo. ............................................................................................... 148 LISTA DE FIGURAS Figura 1 – Valores das variáveis climáticas de temperatura e pluviosidade em Selvíria-MS, na Fazenda de Ensino, Pesquisa e Extensão (FEPE) no ano agrícola 2013/14. .......................... 27 Figura 2 – Valores das variáveis climáticas de temperatura e pluviosidade em Selvíria-MS, na Fazenda de Ensino, Pesquisa e Extensão (FEPE) no ano agrícola 2014/15. .......................... 28 Figura 3 – Exemplificação da função de pertinência do tipo triangular. ............................... 31 Figura 4 - SBRF de avaliação da soja com duas variáveis de entrada (doses de N e doses de Mo), 18 variáveis de saída (variáveis biométricas, nutricionais e produtividade) na cobertura vegetal de milheto no ano safra 2013/14. .............................................................................. 32 Figura 5 - SBRF de avaliação da soja com duas variáveis de entrada (doses de N e doses de Mo), 18 variáveis de saída (variáveis biométricas, nutricionais e produtividade) na cobertura vegetal de milheto no ano safra 2014/15. .............................................................................. 32 Figura 6 – Função de pertinência da variável de entrada nitrogênio. .................................... 34 Figura 7 – Função de pertinência da variável de entrada molibdênio. .................................. 35 Figura 8 – Demonstração de dendrograma. ......................................................................... 38 Figura 9 – Dendrograma das variáveis de saída da cultura da soja, do ano agrícola 2013/14 para a cobertura vegetal de milheto. ..................................................................................... 39 Figura 10 – Dendrograma das variáveis de saída da cultura da soja, do ano agrícola 2014/15 para a cobertura vegetal de milheto. ..................................................................................... 40 Figura 11 - Função de pertinência das variáveis nutricionais dos teores foliares de N, P, K, Ca e Mg avaliados durante o Ano 1 para cobertura vegetal de milheto....................................... 48 Figura 12 - Função de pertinência das variáveis nutricionais dos teores foliares de S, Mo, Cu, Zn e Mn avaliados durante o Ano 1 para cobertura vegetal de milheto. ................................ 49 Figura 13 - Função de pertinência das variáveis nutricionais dos teores foliares de N, P, K, Ca e Mg avaliados durante o Ano 2 para cobertura vegetal de milheto....................................... 51 Figura 14 - Função de pertinência das variáveis nutricionais dos teores foliares de S, Mo, Cu, Zn e Mn avaliados durante o Ano 2 para cobertura vegetal de milheto. ................................ 53 Figura 15 - Superfície tridimensional dos teores foliares de N, P, K, Ca e Mg da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de milheto. ............................................................................................................................................ 58 Figura 16 - Mapa de contorno do teor foliar de N da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de milheto. ................................... 60 Figura 17 - Mapa de contorno do teor foliar de P da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de milheto. ................................... 61 Figura 18 - Mapa de contorno do teor foliar de K da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de milheto. ................................... 62 Figura 19 - Mapa de contorno dos teores foliares de Ca e Mg da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de milheto. ................... 63 Figura 20 - Superfície tridimensional dos teores foliares de S, Mo, Cu, Zn e Mn da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. ................................................................................................................................ 64 Figura 21 - Mapa de contorno do teor foliar de S da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto.................................. 65 Figura 22 - Mapa de contorno do teor foliar de Mo da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto.................................. 66 Figura 23 - Mapa de contorno dos teores foliares de Cu, Zn e Mn da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. .......... 67 Figura 24 - Função de pertinência das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas durante o Ano 1 para a cobertura vegetal de milheto. ...................... 68 Figura 25 - Função de pertinência das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas durante o Ano 1 para a cobertura vegetal de milheto. ............................................ 69 Figura 26 - Função de pertinência das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas durante o Ano 2 para a cobertura vegetal de milheto. ...................... 72 Figura 27 - Função de pertinência das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas durante o Ano 2 para a cobertura vegetal de milheto. ............................................ 73 Figura 28 - Superfície tridimensional e das variáveis biométricas (EST, AIV, APL) e de produtividade da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. ..................................................................................... 78 Figura 29 - Mapa de contorno da produtividade da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto.................................. 80 Figura 30 - Mapa de contorno da altura de inserção da primeira vagem (AIV) da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. ................................................................................................................................ 81 Figura 31 - Mapa de contorno da altura de planta (ALP) e estande (EST) da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. ............................................................................................................................................ 82 Figura 32 - Superfície tridimensional das variáveis biométricas (NVP, NGP, NGV, MGR) da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. ............................................................................................................... 83 Figura 33 - Mapa de contorno das variáveis biométricas NGV e NGP da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. ............................................................................................................................................ 84 Figura 34 - Mapa de contorno das variáveis biométricas NVP e MGR da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de milheto. ............................................................................................................................................ 85 Figura 35 - SBRF de avaliação da soja com duas variáveis de entrada (doses de N e doses de Mo), 18 variáveis de saída (variáveis biométricas, nutricionais e produtividade), na cobertura vegetal de sorgo para o ano agrícola 2013/14. ...................................................................... 95 Figura 36 – SBRF de avaliação da soja com duas variáveis de entrada (doses de N e doses de Mo), 18 variáveis de saída (variáveis biométricas, nutricionais e produtividade), na cobertura vegetal de sorgo para o ano agrícola 2013/14. ...................................................................... 96 Figura 37 – Função de pertinência da variável de entrada nitrogênio. .................................. 98 Figura 38 – Função de pertinência da variável de entrada molibdênio. ................................ 98 Figura 39 - Ilustração do dendrograma. ............................................................................. 101 Figura 40 – Dendrograma das variáveis de saída da cultura da soja, do ano agrícola 2013/14 para a cobertura vegetal de sorgo. ...................................................................................... 102 Figura 41 – Dendrograma das variáveis de saída da cultura da soja, do ano agrícola 2014/15 para a cobertura vegetal de sorgo. ...................................................................................... 103 Figura 42 - Função de pertinência das variáveis nutricionais dos teores foliares de N, P, K, Ca e Mg avaliados durante o Ano 1 para cobertura vegetal de sorgo. ....................................... 111 Figura 43 - Função de pertinência das variáveis nutricionais dos teores foliares de S, Mo, Cu, Zn e Mn avaliados durante o Ano 1 para cobertura vegetal de sorgo................................... 112 Figura 44 - Função de pertinência das variáveis nutricionais dos teores foliares de N, P, K, Ca e Mg avaliados durante o Ano 2 para cobertura vegetal de sorgo. ....................................... 115 Figura 45 - Função de pertinência das variáveis nutricionais dos teores foliares de S, Mo, Cu, Zn e Mn avaliados durante o Ano 2 para cobertura vegetal de sorgo................................... 116 Figura 46 - Superfície tridimensional dos teores foliares de N, P, K, Ca e Mg da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de sorgo. .......................................................................................................................................... 122 Figura 47 - Mapa de contorno dos teores foliares de N e P da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de sorgo. .................... 124 Figura 48 - Mapa de contorno do teor foliar de K, Ca e Mg da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de sorgo. .................... 125 Figura 49 - Superfície tridimensional dos teores foliares de S, Mo, Cu, Zn e Mn da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de sorgo. ................................................................................................................................. 126 Figura 50 - Mapa de contorno dos teores foliares de S e Mo da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de sorgo. .................... 128 Figura 51 - Mapa de contorno dos teores foliares de Cu, Zn e Mn da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para cobertura vegetal de sorgo. .............. 129 Figura 52 - Função de pertinência das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas durante o Ano 1 para a cobertura vegetal de sorgo. ....................... 130 Figura 53 - Função de pertinência das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas durante o Ano 1 para a cobertura vegetal de sorgo. ............................................. 131 Figura 54 - Função de pertinência das variáveis biométricas (EST, AIV, APL) e de produtividade avaliadas durante o Ano 2 para a cobertura vegetal de sorgo. ....................... 134 Figura 55 - Função de pertinência das variáveis biométricas (NVP, NGP, NGV, MGR) avaliadas durante o Ano 2 para a cobertura vegetal de sorgo. ............................................. 135 Figura 56 - Superfície tridimensional das variáveis biométricas (EST, AIV, APL) e de produtividade da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de sorgo. ...................................................................................... 140 Figura 57 - Mapa de contorno das variáveis biométricas, estande e de produtividade da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de sorgo. ................................................................................................................................. 142 Figura 58 - Mapa de contorno das variáveis biométricas, AIV e APL da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de sorgo. 143 Figura 59 - Superfície tridimensional das variáveis biométricas (NVP, NGP, NGV, MGR) da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio para a cobertura vegetal de sorgo. ................................................................................................................ 144 Figura 60 - Mapa de contorno das variáveis biométricas (NVP, NGP, NGV, MGR) da cultura da soja em relação aos diferentes níveis de nitrogênio e molibdênio do Ano 2 para a cobertura vegetal de sorgo. ................................................................................................................ 145 Figura 61 - Comparação dos mapas de contorno do teor de Cálcio da cultura da soja entre as coberturas vegetais, milheto e sorgo no Ano 1. ................................................................... 149 Figura 62 - Comparação dos mapas de contorno do teor de magnésio da cultura da soja entre as coberturas vegetais, milheto e sorgo no Ano 1. .............................................................. 150 Figura 63 - Comparação dos mapas de contorno da altura de inserção da primeira vagem da cultura da soja entre as coberturas vegetais, milheto e sorgo no Ano 2. .............................. 151 LISTA DE SÍMBOLOS Símbolos Descrição Unidades PRO Produtividade [kg.ha-1] EST Estande [mil Plantas.ha-1] AIV Altura de inserção da primeira vagem [cm] APL Altura da planta [cm] NVP Número de vagens por planta [unid.] NGP Número de grãos por planta [unid.] NGV Número de grãos por vagem [unid.] MGR Massa de 1000 grãos [g] TN Teor foliar de nitrogênio [g.kg-1] TP Teor foliar de fósforo [g.kg-1] TK Teor foliar de potássio [g.kg-1] TCa Teor foliar de cálcio [g.kg-1] TMg Teor foliar de magnésio [g.kg-1] TS Teor foliar de enxofre [g.kg-1] TMo Teor foliar de molibdênio [mg.kg-1] TCu Teor foliar de cobre [mg.kg-1] TZn Teor foliar de zinco [mg.kg-1] TMn Teor foliar de manganês [mg.kg-1] SPD Sistema Plantio Direto - SSD Sistema Semeadura Direta - SBRF Sistema baseado em regras fuzzy - SUMÁRIO 1 INTRODUÇÃO GERAL ................................................................................................ 16 2 CAPÍTULO I – MODELAGEM FUZZY DA PRODUTIVIDADE E DOS EFEITOS NUTRICIONAIS E BIOMÉTRICOS DA SOJA CULTIVADA SOB SISTEMA PLANTIO DIRETO EM FUNÇÃO DE DOSES DE MOLIBDÊNIO E DOSES DE NITROGÊNIO EM COBERTURA VEGETAL DE MILHETO .................................... 22 Resumo ............................................................................................................................ 22 2.1 Introdução .................................................................................................................. 24 2.2 Material e Métodos ..................................................................................................... 26 2.2.1. Descrição do experimento ................................................................................... 26 2.2.2. Variáveis analisadas ............................................................................................ 29 2.2.3. Modelagem fuzzy ................................................................................................. 30 2.2.4. Análise Multivariada ........................................................................................... 38 2.3 Resultados e Discussão ............................................................................................... 39 2.3.1 Análise Multivariada ............................................................................................ 39 2.3.2 Estatística descritiva das variáveis analisadas ....................................................... 44 2.3.3 Modelagem fuzzy da cultura da soja ...................................................................... 47 2.4 Conclusões ................................................................................................................. 86 3 CAPÍTULO II – MODELAGEM FUZZY DA PRODUTIVIDADE E DOS EFEITOS NUTRICIONAIS E BIOMÉTRICOS DA SOJA CULTIVADA EM PLANTIO DIRETO EM FUNÇÃO DE DOSES DE MOLIBDÊNIO E DOSES DE NITROGÊNIO EM COBERTURA VEGETAL DE SORGO ........................................................................... 87 Resumo ............................................................................................................................ 87 3.1 Introdução .................................................................................................................. 89 3.2 Material e Métodos ..................................................................................................... 91 3.2.1 Descrição do experimento .................................................................................... 92 3.2.2 Variáveis analisadas ............................................................................................. 93 3.2.3 Modelagem fuzzy.................................................................................................. 94 3.2.4 Análise Multivariada .......................................................................................... 101 3.3 Resultados e Discussão ............................................................................................. 102 3.3.1 Análise Multivariada .......................................................................................... 102 2.3.4 Estatística descritiva das variáveis analisadas ..................................................... 107 3.3.2 Modelagem fuzzy da cultura da soja .................................................................... 110 2.3.5 Comparação dos resultados obtidos do modelo fuzzy para cultura da soja cultivada em coberturas vegetais de milheto e sorgo................................................................... 147 3.4 Conclusões ............................................................................................................... 151 4 CONSIDERAÇÕES FINAIS ........................................................................................ 153 REFERÊNCIAS ............................................................................................................... 154 16 1 INTRODUÇÃO GERAL A soja é considerada uma das principais culturas do agronegócio brasileiro, sendo na sua maioria utilizada para a fabricação de ração, muito embora, haja um crescimento de seu uso na alimentação humana, assim como também para a produção de biocombustíveis (CONAB, 2017). O Brasil, encontra-se atualmente como o segundo maior produtor da cultura de soja no mundo com mais de 115 milhões de toneladas produzidas na safra 2017/18, (DEAGRO, 2017; CONAB, 2018) além de ser a cultura com maior demanda de extensão de área territorial, ocupando cerca de 35,822 milhões de hectares (CONAB, 2019). Devido à grande extensão da área destinada à produção da soja, seu plantio ocorre sob uma grande diversidade de solos e climas, característicos do Brasil, proporcionando diferentes condições edafoclimáticas, interferindo diretamente na produtividade da cultura em razão da disponibilidade nutricional dos recursos naturais de cada região, demandado pela cultura da soja (GOES, 2016; GHARBIA et al., 2018). Desse modo, é de interesse a utilização da manutenção da palhada de coberturas vegetais proporcionando o aumento do teor nutricional do solo além de reduzir a perda de água pelo processo de evaporação, melhorando o armazenamento de água e nutrientes no solo (GOES, 2016; ANJOS et al., 2017). Nesse contexto, insere-se a Agricultura de Conservação (AC) que consiste na adoção de um conjunto de princípios orientados à práticas sustentáveis na agricultura, visando o aumento da produtividade agrícola, reduzindo o uso de insumos, como combustíveis, sementes, fertilizantes e água (FINDLATER; KANDLIKAR; SATTERFIELD, 2019). São práticas da AC: (1) a utilização do Sistema Plantio Direto (SPD) que consiste na manutenção da palhada sob o solo para conservação da umidade e regulação da temperatura da superfície; (2) mínimo revolvimento do solo, o que melhora a capacidade de retenção de água e infiltração e (3) a Rotação de Culturas que auxilia no controle de pragas e ervas daninhas (FINDLATER; KANDLIKAR; SATTERFIELD, 2019; LABORDE et al., 2020). O SPD é uma tecnologia que tem por característica a ocupação permanente do terreno agrícola por meio de culturas vegetais, no qual é feito o plantio sobre a palhada da cobertura vegetal da cultura antecessora (NESPOLI et al., 2017). Esse processo auxilia no combate a erosão no solo além de aumentar a capacidade de armazenamento de água evitando sua perda pelo processo de evaporação além de melhorar a atividade microbiana promovida 17 pela ciclagem dos nutrientes, devido ao acúmulo de matéria seca (DONK et al., 2010; RIBAS et al., 2015). No mundo, existe um total de 116,9 milhões de hectares sob SPD, sendo que 66,53%, ou seja, 77,7 milhões de hectares estão concentrados nos 3 principais detentores da tecnologia conservacionista, liderados pelos Estados Unidos, seguidos de Argentina e Brasil (DERPSCH et al., 2010; GÓES, 2019). Atualmente são cultivados no Brasil uma área no total de 65.913.738 hectares, o que representa aproximadamente 7,6% do território nacional, dos quais estão sob cultivo de SPD aproximadamente 32,878 milhões de hectares, o que representa 49,8% da área cultivada, sendo sob domínio do estado do Mato Grosso, a maior área com cerca de 8,1 milhões de hectares, seguido do Rio Grande do Sul com 6,02 milhões de hectares e Paraná com 4,859 milhões (MOTTER; ALMEIDA, 2015; IBGE, 2017; MIRANDA, 2018; GÓES, 2019). As coberturas vegetais proporcionam o aumento do estímulo da atividade microbiana no solo aumentando sua capacidade metabólica além de promover a ciclagem e disponibilidade dos nutrientes, assim como na redução e controle de patógenos (DROST et al., 2019). A presença do acúmulo da matéria seca aumenta o carbono orgânico do solo, como também a taxa de eficiência de absorção dos nutrientes pela cultura, além dos benefícios gerados ao meio ambiente por meio das boas práticas agrícolas sustentáveis, advinda da utilização desse sistema de manejo (NEVINS; NAKATSU; ARMSTRONG, 2018). A prática do plantio fazendo uso das coberturas vegetais, é comumente utilizada nos períodos de entressafras das plantações das culturas comerciais, servindo como fonte de matéria orgânica e nutrientes para a cultura subsequente (comercial), aprimorando-se dos benefícios proporcionados pela cultura antecessora (LAMAS, 2017; NEVINS; NAKATSU; ARMSTRONG, 2018). Por sua vez, para serem consideradas como boas culturas de coberturas, as mesmas devem possuir como características, um sistema radicular profundo para maior produção de fitomassa aumentando desse modo, a disponibilidade da matéria orgânica sobre o solo, alta resistência à período de déficit hídricos, além de resistências à doenças, pragas e nematoides, além de possuir valor comercial para sua comercialização (ALVARENGA et al., 2001; LAMAS, 2017). Algumas culturas são mais comumente utilizadas como coberturas vegetais, a exemplo da cultura do sorgo, milheto, braquiária, capim e entre outras, dependendo da região de cultivo para a qual melhor se adapte à cultura de cobertura conforme as condições edafoclimáticas características para cada região (RUFATO et al., 2007; CORREIA; 18 DURIGAN, 2008), sendo em alguns casos realizado o consórcio de leguminosas e gramíneas para obtenção do benefício mútuo das coberturas, resultando na maior produtividade de matéria seca (CRUSCIOL et al., 2013). O milheto é uma cultura muito utilizada como cobertura vegetal por ter como características, o rápido desenvolvimento mesmo sob condições de déficit hídrico, além de possuir o sistema radicular profundo possibilitando na alta capacidade de extração de nutrientes e do volume de produção de palhada (SORATTO et al., 2012), destacando-se o seu alto potencial produtivo sob condições edafoclimáticas adversas (PEREIRA FILHO et al., 2003). Entre outras utilizações da cultura do milheto, é seu aproveitamento sob forma de planta forrageira para pastagem de gado, principalmente na região Sul do Brasil, além também do uso para fabricação de ração por meio de suas sementes (PEREIRA FILHO et al., 2003; DANTAS; NEGRÃO, 2010). O sorgo é outra cultura também muito utilizada como cobertura vegetal, pois a mesma, apresenta características semelhantes à cultura do milheto a exemplo do sistema radicular profundo garantindo uma alta produção de matéria seca, juntamente com sua capacidade de extração de água de camadas de solos mais profundas (BORRELL; HAMMER; DOUGLAS, 2000) além da alta resistência a estresses causados por adversidade climáticas (TEIXEIRA et al., 2011; MANTOVANI et al., 2012; RODRIGUES; MAGALHAES; SOUZA, 2012). O nitrogênio (N) é um dos elementos que mais sofrem influência pela adoção do SPD devido à presença da matéria seca no solo, alterando os processos de mineralização, imobilização e lixiviação, uma vez que ocorre mais lentamente a decomposição da matéria orgânica em razão da presença de maior umidade no solo (LARA CABEZAS et al., 2000; KAPPES; ARF; ANDRADE, 2013). Um dos nutrientes mais demandados pela cultura da soja, é exatamente o N, devido ao alto teor proteico dos grãos (MENZA et al., 2019). No entanto, a quantidade de N presente no solo é escassa, além de esgotar-se rapidamente agravada pelas condições edafoclimáticas do território brasileiro acelerando o processo de decomposição da matéria orgânica (HUNGRIA; CAMPO; MENDES, 2001). Por sua vez a ação do Molibdênio (Mo), por meio da adubação foliar durante a fase reprodutiva, permite aumentar a capacidade de fixação do N pela cultura da soja aumentando assim a sua produtividade (GOLO et al., 2009; POSSENTI; VILLELA, 2010). O Mo atua como cofator das enzimas envolvidas no processo de nitrificação, transformando nitrito em nitrato, participando diretamente das reações bioquímicas do 19 metabolismo do nitrogênio, considerado essencial para o desenvolvimento e nutrição da planta (POSSENTI; VILLELA, 2010; NUNES et al., 2017). Nesse sentido, a utilização do Mo, torna- se uma alternativa para redução de custos com adubação nitrogenada, de modo a substituir ou complementar o uso do nitrogênio como fertilizante no sistema de produção das culturas agrícolas (BISCARO et al., 2009). A soja quando cultivada em SPD, obteve um aumento de produtividade em cerca de 17% comparado ao sistema de preparo convencional, podendo proporcionar melhoria nas condições físicas, químicas e biológicas do solo, quanto a maior disponibilidade de água e nutrientes e teor de matéria orgânica, proporcionadas pelo SPD influenciando diretamente no desenvolvimento e produtividade da cultura (FIDELIS et al., 2003; ALBUQUERQUE et al., 2013). Ademais, a cultura da soja e as bactérias do gênero Bradyrhizobium, convivem em mecanismo de simbiose, na qual as bactérias fornecem nitrogênio às plantas em troca de substâncias exsudadas pelos seus sistemas radiculares, sendo esta relação aprimorada pela utilização do SPD devido a redução da temperatura do solo, presença de uma maior umidade no solo e de toda matéria orgânica fornecida pela manutenção da palhada (HUNGRIA; CAMPO; MENDES, 2001; GOES, 2016). Sendo assim, a cultura da soja em sucessão pode ser influenciada pelos tipos de coberturas vegetais em razão das diferentes concentrações de nitrogênio na matéria seca, as quais, podem ter aumento de produtividade com uso da adubação foliar de molibdênio, uma vez que esse nutriente participa do metabolismo do nitrogênio, facilitando sua assimilação por parte da planta (MADALOSSO, 2015; GOES, 2016). Nesse sentido, é comum a realização de experimentos agronômicos, no qual busca- se aferir estatisticamente o comportamento de culturas vegetais, em relação a causas e efeitos, visando a otimização dos recursos em experimentação (VIAIS NETO, 2016). A exemplo de Freitas et al., (2019), que avaliaram experimentalmente a tolerância da alface em relação à diferentes doses de salinidade buscando-se a melhor eficiência para absorção de fósforo (P) e potássio (K); Akhtar et al., (2019) que realizaram o experimento com uso integrado de palha e fertilizante nitrogenado para aferir a melhor funcionalidade do solo e da produção de soja. No entanto, os experimentos agrícolas não expressam os resultados de valores para os quais não foram realizados os testes agronômicos, sendo nesse caso, necessário recorrer aos modelos matemáticos de regressão, possibilitando expressar os resultados intermediários para o experimento realizado no campo (PUTTI, 2015; VIAIS NETO, 2016). Para tais, existem diversas técnicas computacionais que realizam essas modelagem com menores erros de ajustes, 20 a exemplo da lógica fuzzy, que teve início no meio científico em meados de 1965 (ZADEH, 1965). A técnica da lógica fuzzy, baseia-se na habilidade de modular e expressar o raciocínio humano de maneira simplificada e compreensível, em áreas, nas quais são tratadas informações imprecisas, assim como ocorrem nos experimentos agronômicos (LI et al., 2016; VIAIS NETO, 2016; GARG; AGGARWAL; SOKHAL, 2018). Sua aplicação está nas mais diversas áreas, como na elaboração de mapas de precipitações de radares meteorológicos (SILVER et al., 2020), no aprimoramento da segurança de pedestre facilitando a locomoção e fluxo de tráfego (ALKHEDER; ALRUKAIBI, 2020), na administração de remédios para regular a pressão arterial e de doenças cardíacas (IANCU, 2018; SHARMA et al., 2020), para criação de sistema de alerta para colisão de ponte de navio (WU et al., 2019) e no gerenciamento de energia para veículos elétricos híbrido (MA et al., 2019). É grande a aplicabilidade da técnica de modelagem matemática fuzzy na área das ciências agrárias, visto resolver problemas de avaliação de fenômenos agronômicos e biológicos de maneira eficiente (GABRIEL FILHO et al., 2012), a exemplo da utilização da lógica fuzzy como apoio para tomada de decisão sobre a utilização de fertilizantes nitrogenados em culturas vegetais (PAPADOPOULOS; KALIVAS; HATZICHRISTOS, 2011; PRABAKARAN; VAITHIYANATHAN; GANESAN, 2018), sua aplicação no gerenciamento da produção de algodão na agricultura de precisão (PAPAGEORGIOU; MARKINOS; GEMPTOS, 2009), a utilização para controle do pH em solução hidropônica (MORIMOTO; HASHIMOTO, 1991), a utilização da modelagem fuzzy para avaliar os efeitos da irrigação e doses de salinidade na cultura do tomate (VIAIS NETO et al., 2019a, 2019b). Dessa maneira, justifica-se a aplicação do estudo em questões práticas para o produtor rural, tais como a utilização da adubação nitrogenada e adubação com molibdênio via foliar, aplicadas sobre coberturas vegetais para posterior plantio de soja. Tal fato, destaca-se pela cultura da soja ser exigente em relação ao consumo de nitrogênio e pela participação do molibdênio no processo de fixação biológica desse nutriente. Buscando a determinação de resultados em diversos outros pontos não verificados em experimentos, propõe-se a utilização da teoria fuzzy. Sendo assim, este trabalho tem como objetivo avaliar o efeito do molibdênio aplicado via foliar na cultura da soja cultivada sobre palhada de sorgo e de milheto com diferentes níveis de nitrogênio, utilizando modelagem fuzzy, bem como estabelecer uma comparação de tais efeitos. 21 Para atingir o objetivo proposto, a tese foi dividida em dois capítulos, sendo o primeiro intitulado “Modelagem fuzzy da produtividade e dos efeitos nutricionais na cultura da soja cultivada em plantio direto em função de doses de molibdênio e doses de nitrogênio em cobertura vegetal de milheto” e o segundo capítulo intitulado como “modelagem fuzzy da produtividade e dos efeitos nutricionais na cultura da soja cultivada em plantio direto em função de doses de molibdênio e doses de nitrogênio em cobertura vegetal de sorgo”. 22 2 CAPÍTULO I – MODELAGEM FUZZY DA PRODUTIVIDADE E DOS EFEITOS NUTRICIONAIS E BIOMÉTRICOS DA SOJA CULTIVADA SOB SISTEMA PLANTIO DIRETO EM FUNÇÃO DE DOSES DE MOLIBDÊNIO E DOSES DE NITROGÊNIO EM COBERTURA VEGETAL DE MILHETO Resumo O Sistema Plantio Direto (SPD) foi introduzido no Brasil como modo de produção em meados da década de 1970, no entanto, foi apenas no início da década de 1990 que SPD ganhou destaque e expressividade em área como sistema de produção agrícola. Um dos fatores que influenciaram o aumento da adoção do SDP nos últimos 20 anos, é o movimento sustentável da agricultura, tendo como objetivo a preservação e conservação dos recursos naturais e do solo. O uso de coberturas vegetais proporciona diversos benefícios ao solo, como a exemplo o controle da erosão, aumento da presença de matéria orgânica. Dessa maneira, necessita-se que planta adotada como cultura de cobertura possua capacidade de adaptação às condições locais do manejo, específico de cada região, além de características fisiológicas comuns às coberturas vegetais, como sistema radicular profundo e alta produção de fitomassa. O milheto é uma gramínea bastante utilizada como cobertura vegetal para SPD em razão de sua elevada produção de matéria seca, proporcionando ao solo o aumento da capacidade de retenção de água, manutenção e regulação da temperatura da superfície do solo. Sendo assim, com base no experimento realizado, em que consistiu na utilização da cultura soja sob diferentes doses de molibdênio com aplicação via folar e cultivada sob a cobertura vegetal de milheto sob diferentes doses de nitrogênio em SPD, buscou-se realizar a modelagem fuzzy dos efeitos em relação às variáveis biométricas, nutricionais e de produtividade dos grãos de soja. Dessa maneira, a cobertura vegetal de milheto apresentou bons resultados para o teor foliar de N sob altas doses de nitrogênio em cobertura vegetal e doses medianas de Mo aplicada em via foliar na cultura da soja em sucessão, sendo o mesmo efeito foi observado em relação ao estande. Tais resultados possibilitam ao produtor rural a melhor tomada de decisão na adubação, diminuindo custos e aumentando a produtividade da sua cultura, otimizando os recursos produtivos utilizados para a semeadura da soja. Palavras-chave: Lógica Fuzzy, Palhada, Semeadura Direta, Modelagem Matemática. 23 FUZZY MODELING OF PRODUCTIVITY AND NUTRITIONAL AND BIOMETRIC EFFECTS OF SOY CULTIVATED UNDER DIRECT PLANTING SYSTEMS AS A FUNCTION OF MOLYBDENUM DOSES AND NITROGEN DOSES IN PLANT COVERAGE OF MILLET Abstract The No-Tillage System (NTS) was introduced in Brazil as a mode of production in the mid- 1970s, however, it was only in the early 1990s that NTS gained prominence and expressiveness in area as an agricultural production system. One of the factors that influenced the increase in the adoption of SDP in the last 20 years is the sustainable movement of agriculture, aiming at the preservation and conservation of natural resources and soil. The use of mulches provides several benefits to the soil, such as erosion control, increased presence of organic matter. Thus, it is necessary that the plant adopted as cover crop has the ability to adapt to local management conditions, specific to each region, in addition to physiological characteristics common to plant cover, such as deep root system and high production of phytomass. Millet is a grass widely used as a cover for NTS due to its high dry matter production, providing the soil with increased water retention capacity, maintenance and regulation of soil surface temperature. Thus, based on the experiment, which consisted of using soybean under different doses of molybdenum with application via folar and grown under the cover of millet under different doses of nitrogen in NTS, we sought to perform the fuzzy modeling of effects on the biometric, nutritional and yield variables of soybean. Thus, millet cover showed good results for leaf Nitrogen (N) content under high doses of nitrogen in cover crop and median doses of Molybdenum (Mo) applied in foliar pathway in soybean crop in succession. Such results enable the rural producer to make the best decision in fertilization, reducing costs and increasing the productivity of his crop, optimizing the productive resources used for sowing soybeans. Keywords: Fuzzy Logic, Straw, Direct Seeding, Mathematical Modeling. 24 2.1 Introdução O Brasil é um dos maiores produtores e exportadores de soja do mundo, e produziu na safra de 2017/18 aproximadamente 120 milhões de toneladas, um percentual de 4,6 superior em relação à produção da safra anterior (CONAB, 2019). Já a exportação da cultura foi de quase 83,6 milhões de toneladas de grãos, representando um valor equivalente a US$ 33,2 bilhões (ABIOVE, 2018). A soja é uma cultura pertencente à família das leguminosas e possui como característica um alto valor proteico, figurando-se entre as cinco principais fontes de proteínas, sendo utilizada tanto para consumo animal, na fabricação de ração, quanto para o consumo humano (ODENATH PENHA et al., 2007; SILVA et al., 2010). Atualmente, são destinados no Brasil para o cultivo de leguminosas uma área de aproximadamente 63,5 milhões de hectares de um total de 79,2 milhões de hectares de área cultivada no país. Para a cultura da soja, são demandados cerca de 35,8 milhões de hectares, o que representa 45,2% da área total de plantio e 56,4% da área destinada às leguminosas (IBGE, 2019). O Sistema Plantio Direto (SPD) foi introduzido no Brasil como modo de produção em meados da década de 1970, no entanto, foi apenas no início da década de 1990 que SPD ganhou destaque e expressividade em área como sistema de produção agrícola, no qual saiu de aproximadamente 1,4 milhão de hectares em 1991 para 32,8 milhões de hectares em 2017, representando atualmente cerca de 49% da área cultivada no país (CASSOL; DENARDIN; KOCHHANN, 2007; DENARDIN, 2007; IBGE, 2017). Um dos fatores que influenciaram o aumento da adoção do SDP nos últimos 20 anos, é o movimento sustentável da agricultura, tendo como objetivo a preservação e conservação dos recursos naturais e do solo por meio de técnicas agrícolas de manejo sustentável (SIQUEIRA NETO et al., 2010; SECRETARIA DO MEIO AMBIENTE, 2014). O uso de coberturas vegetais proporciona diversos benefícios ao solo, como a exemplo o controle da erosão, aumento da presença de matéria orgânica, aumento da capacidade de armazenamento de água no solo além de melhorar sua qualidade em relação à fertilidade funcionando como adubo verde, e proporcionando ao produtor rural a redução dos custos com insumos e fertilizantes (GABRIEL; GARRIDO; QUEMADA, 2013; ROTH et al., 2018; SHACKELFORD; KELSEY; DICKS, 2019). O nitrogênio é um dos principais nutrientes agregados ao solo, resultando do efeito positivo da utilização das coberturas vegetais, podendo ser considerada em alguns casos, 25 substitutos dos fertilizantes nitrogenados, e proporcionado redução nos custos de produção além dos efeitos benéficos ao meio ambiente (BERGTOLD et al., 2019; RUFFATTI et al., 2019; ZHANG et al., 2019). Dessa maneira, necessita-se que planta adotada como cultura de cobertura possua capacidade de adaptação às condições locais do manejo, específico de cada região, além de características fisiológicas comuns às coberturas vegetais, como sistema radicular profundo; alta produção de fitomassa; resistente à períodos de déficit hídrico, além de possuir valor comercial no mercado (ALVARENGA et al., 2001; LIMA et al., 2009; CHAUVIN et al., 2015). A cultura da soja pertence ao grupo das leguminosa, que possuem alto teor proteicos, sendo assim, grande requerente de quantidade de nitrogênio como de fonte de nutrientes para formação e enchimento dos grãos (TAMAGNO et al., 2017; MENZA et al., 2019). Para tal, contam com o auxílio das bactérias fixadoras de nitrogênio que vivem em simbiose com o sistema radicular da soja em troca dos compostos resultantes da fotossíntese da planta, além do suprimento por meio da mineralização da matéria orgânica (STREETER, 1985; SANTACHIARA; SALVAGIOTTI; ROTUNDO, 2019; YIN et al., 2019). Por sua vez, a utilização do molibdênio (Mo) como fertilizante de fonte suplementar, permite facilitar o processo de assimilação e fixação do nitrogênio por parte da cultura da soja (leguminosas), uma vez que o Mo atua processo bioquímico de nitrificação (GALINDO et al., 2017; SILVA et al., 2017; IMRAN et al., 2019). O milheto é uma gramínea bastante utilizada como cobertura vegetal para SPD em razão de sua elevada produção de matéria seca, proporcionando ao solo o aumento da capacidade de retenção de água, manutenção e regulação da temperatura da superfície do solo, além do fornecimento de nutrientes por meio da decomposição da matéria orgânica (ALVARENGA et al., 2001; LIMA et al., 2009). Nesse sentindo, a cultura do milheto destaca- se como uma das melhores opções de coberturas vegetais para posterior plantio da soja, sob SPD, aferindo no aumento da produtividade da cultura sucessora (soja), assim como na altura da planta (PACHECO et al., 2008; LIMA et al., 2009). Nesse aspecto, a realização de experimentos agronômicos tem por objetivo investigar as causas e efeitos da aplicação de recursos tecnológicos e naturais na agricultura por meio de análises estatísticas, a exemplo, sobre a interferência na produtividade da tangerina para a aplicação em diferentes doses de nitrogênio (KIKNADZE; TAVDGIRIDZE; JASHI, 2018); medir o grau de influência no crescimento das culturas de cerejeiras e de milho em relação à diferentes níveis de salinidade da água (BRAZ et al., 2019; LIMA et al., 2019). 26 Entretanto, para determinar valores intermediários, aos realizados nos experimentos agrícolas, são utilizadas técnicas de modelagem matemática visando a previsão dos acontecimentos agronômicos para os eventos não realizados por meio do comportamento dos dados, fazendo uso de modelos de regressão (PUTTI, 2015). Nesse sentindo, existem técnicas sofisticadas de modelagem computacional que permitem o melhor ajuste dos dados agronômicos, inferindo os menores erros de ajustes de modelos matemáticos, a exemplo da lógica fuzzy, introduzida no meio científico pelo matemático Zadeh em meados de 1960 (ZADEH, 1965). São as mais diversas áreas de atuação da lógica fuzzy, visto atuar na resolução de problemas no qual é considerado alto o grau de incerteza, como nas áreas médica e epidemiológica (ARJI et al., 2019; THUKRAL; RANA, 2019). O uso dessa teoria, se aplica também na área das ciências agrárias, no aperfeiçoamento dos modelos matemáticos, como na determinação da produtividade do trigo em relação à diferentes doses de lodo e efluentes de esgoto (PUTTI et al., 2017), na determinação da produtividade de tomateiro em relação à níveis de salinidade da água (VIAIS NETO et al., 2019b, 2019a), e na utilização do mapeamento do solo em relação a fertilidade para cultura da seringueira por meio de lógica fuzzy e geoestatística (LIMA et al., 2018). Dessa maneira, o presente trabalho teve como objetivo estudar o comportamento da produtividade na cultura da soja cultivada em SPD em relação a diferentes doses de molibdênio e nitrogênio por meio da modelagem fuzzy para a cultura de cobertura vegetal de milheto. 2.2 Material e Métodos Este tópico aborda a descrição do experimento utilizado para elaboração da modelagem fuzzy e das análises estatísticas em relação à produtividade e efeitos nutricionais e biométricos da cultura da soja cultivada sob SPD em função de diferentes doses de molibdênio e nitrogênio em cobertura vegetal de milheto. 2.2.1. Descrição do experimento O experimento foi realizado nos anos agrícolas de 2013/14 e 2014/15, na cidade de Selvíria-MS, na Fazenda de Ensino Pesquisa e Extensão (FEPE) pertencente à Universidade Estadual Paulista “Júlio de Mesquita Filho” (UNESP) de Ilha Solteira. Sua posição geográfica, localiza-se nas coordenadas de longitude Oeste 51º 22’ e de latitude Sul 20º 22’, com altitude 27 de 335 metros e solo classificado como Latossolo Vermelho de textura argilosa (GOES, 2016; SANTOS et al., 2018). O clima da região, segundo a classificação Köppen, é de tipo Aw com características de precipitação total anual média de 1.330 mm com umidade relativa do ar em 66% e temperatura média de 25º C (CENTURION, 1982). Estão apresentados nas Figuras 1 e 2, os dados das variáveis de temperatura e pluviosidade coletados durante a realização dos experimentos nos anos agrícolas de 2013/14 e 2014/15, respectivamente. Figura 1 – Valores das variáveis climáticas de temperatura e pluviosidade em Selvíria-MS, na Fazenda de Ensino, Pesquisa e Extensão (FEPE) no ano agrícola 2013/14. Legenda: primeira quinzena dia 20/05/2013 e vigésima quarta quinzena 07/04/2014. Fonte: Estação Meteorológica da FEPE (GOES, 2016). 28 Figura 2 – Valores das variáveis climáticas de temperatura e pluviosidade em Selvíria-MS, na Fazenda de Ensino, Pesquisa e Extensão (FEPE) no ano agrícola 2014/15. Legenda: primeira quinzena dia 15/09/2014 e vigésima quarta quinzena 13/04/2015. Fonte: Estação Meteorológica da FEPE (GOES, 2016). Antes da realização do experimento no primeiro ano da semeadura da cobertura vegetal de milheto, a área foi utilizada para o cultivo da soja na safra 2012/13, antecedendo o seu plantio; já em relação ao segundo ano, antecedeu-se ao plantio da cobertura vegetal, o cultivo de milho e de feijão na área destinada ao experimento (GOES, 2016). Por sua vez, foram utilizadas para a cobertura vegetal de milheto quatro doses diferentes de N (0, 40, 80 e 120 kg.ha-1) seguida de três repetições, sendo suas parcelas constituídas em 14 linhas de 12 m de comprimento e com espaçamento de 0,34 m entrelinhas, sendo utilizadas para ambos os anos, a quantidade de 18 kg.ha-1 de sementes de milheto da variedade ADR 300 (GOES, 2016). Já, a adubação nitrogenada foi realizada por meio do nitrato de amônio (NH4NO3) quando expandidas entre quatro e cinco folhas da cultura do milheto, sendo depositado o fertilizante ao lado da planta. A dessecação da cobertura vegetal durante o primeiro ano ocorreu durante o estádio de grãos leitosos (02/08/2013), sendo a palhada manejada com rolo-faca (20/11/2013). No segundo ano foi realizada a aplicação do herbicida (29/11/2014) glifosato + carfentrazona etílica na proporção de 300 L.ha-1. Já para a cultura da soja em sucessão, foi adotado o esquema fatorial 4 x 4, seguido de três repetições, realizando a adubação nitrogenada na cobertura vegetal com quatro diferentes dosagens (0, 40, 80 e 120 kg.ha-1) e a aplicação de Mo via foliar na soja em sucessão 29 em quatro níveis diferentes (0, 12.4, 25 e 50 g.ha-1) com parcelas distribuídas em 7 linhas com 5 m de comprimentos e espaçamento entrelinhas de 0,45 m. Foram utilizadas sementes de soja da variedade BRS Valiosa RR, resistentes à doenças como: Cercospora sojina (mancha “olho-de-rã”); Diaporthe phaseolorum f. sp. meridionalis (cranco da haste); Meloidogyne javanica e Meloidogyne incog (nematoides de galhas) e Microsphaera diffusa (oídio) (SEMENTES BREJEIRO, 2017). A adubação da soja ocorreu conforme as recomendações de Raij et al., (1996), do Instituto Agronômico de Campinas (IAC), sendo utilizado para ambos os anos, a quantidade de 250 kg.ha-1, porém com formulação 04-30-10 (N – P2O5 – K20) para o ano 2013/14 e formulação de 08-28-16 para o ano agrícola 2014/15. As suas sementes foram inoculadas com as estirpes SEMIA 5019 (Bradyrhizobium elkanii) e SEMIA 5079 (Bradyrhizobium japonicum), visando melhorar a capacidade da fixação biológica do nitrogênio com doses de 2 ml.ha-1. O controle das plantas daninhas foi realizado com a aplicação do clorimuron etílico + glifosato na dosagem de 10 + 1260 g do i.a.ha-1 durante a expansão do quinto trifólio; já a aplicação do Mo via foliar, ocorreu durante o estádio V8, quando expandidos completamente sete trifólios, por meio de um pulverizador costal com 350 L.ha-1 de calda. 2.2.2. Variáveis analisadas Foram analisadas, além da produtividade (PRO) [kg.ha-1] variáveis biométricas: estande (EST) [mil Plantas.ha-1], altura de inserção da primeira vagem (AIV) [cm], altura da planta (APL) [cm], número de vagens por planta (NVP), número de grãos por planta (NGP), número de grãos por vagem (NGV) e massa de 1000 grãos (MG) [g]; e variáveis nutricionais das folhas, sendo elas: os teores de nitrogênio (TN) [g.kg-1], fósforo (TP) [g.kg-1], potássio (TK) [g.kg-1], cálcio (TCa) [g.kg-1], magnésio (TMg) [g.kg-1], enxofre (TS) [g.kg-1]; cobre (TCu) [mg.kg-1]; zinco (TZn) [mg.kg-1]; manganês (TMn) [mg.kg-1] e molibdênio (TMo) [mg.kg-1]; totalizando 18 variáveis avaliadas. Para avaliação do teor foliar dos nutrientes, foi realizada a coleta das folhas no momento da expansão do terceiro trifólio durante o estádio R2 em 30 plantas por parcela, sendo posteriormente, as amostras levadas à estufa de circulação forçada por um período de 72 horas à 65ºC e moídas no moinho do tipo Wiley (RAIJ et al., 1996; GOES, 2016). O estande foi determinado por meio da contagem das plantas contidas em 3 m de comprimento nas três linhas centrais, realizando a conversão do número de plantas por hectare. 30 A altura de inserção foi realizada medindo a distância da inserção da primeira vagem em relação ao colo da planta, já a altura da planta foi calculada com base no colo até o ápice da haste principal em dez plantas por cada parcela. A massa de 1000 grãos foi obtida pela pesagem de uma amostra contendo 1000 grãos de cada parcela em uma balança de precisão (0,01 g), sendo posteriormente determinada a umidade dos grãos pelo método da estufa (105 ± 3ºC) com uma correção de 13% para a massa obtida, na qual realizou a conversão para área útil da parcela para determinação da produtividade dos grãos (GOES, 2016). 2.2.3. Modelagem fuzzy A partir do experimento conduzido por Goes (2016), em que consistiu na utilização da cultura soja sob diferentes doses de molibdênio com aplicação via folar e cultivada sob a cobertura vegetal de milheto sob diferentes doses de nitrogênio em SPD, buscou-se realizar a modelagem fuzzy dos efeitos em relação às variáveis biométricas, nutricionais e de produtividade dos grãos de soja. O modelo fuzzy proposto é representado por uma função 𝐹: 𝐴 ⊂ ℝ2 → 𝐵 ⊂ ℝ18, tal que: (𝑥1, 𝑥2) ↦ 𝐹(𝑥1, 𝑥2) = (𝑦1, 𝑦2, … , 𝑦3), sendo ℝ o conjunto dos números reais, 𝐴 = 𝐴1 × 𝐴2 e 𝐵 = 𝐵1 × 𝐵2 × … × 𝐵18, com 𝐴1 = [0, 120] representando o intervalo real com os limites mínimo e máximo de nitrogênio considerados no experimento, 𝐴2 = [0, 50] o respectivo intervalo de molibdênio e 𝐵𝑖 = [𝑏𝑖 1, 𝑏𝑖 2] o conjunto representado pelas variáveis de saída, com 1 ≤ 𝑖 ≤ 18, 𝑖 ∈ ℕ. O conjunto 𝐵𝑖 foi definido pelos valores de máximo e mínimo utilizados no experimento para cada variável de saída associada. O sistema baseado em regras fuzzy (SBRF) foi elaborado por meio de um processador de entrada, com base em regras linguísticas, um método de inferência fuzzy e um processador de saída (ou defuzzyficador), resultando num número real como variável de saída Foram utilizadas funções de pertinência do tipo triangular, conforme representado na Equação (1) (CREMASCO; GABRIEL FILHO; CATANEO, 2010), e exemplificado na Figura 3, para determinação das variáveis de entrada, uma vez que, devido à facilidade computacional, permite a manipulação e controle dos dados, além de obter os menores erros de ajustes de modelos matemáticos, passando a função pela média do conjunto dos dados (PEREIRA FILHO, 1999; BOSO, 2018). 31 0 se , se , ( ) se , 0 se . A x a x a a x b b a x x c b x c b c x c    −     − =  −    −   (1) Figura 3 – Exemplificação da função de pertinência do tipo triangular. Fonte: Silva Neto (2011) Estão representados nas Figuras 5 e 6, o SBRF pela função 𝐹 = 𝐴 ⊂ ℝ2 → ℝ18 tal que 𝐹(𝑥1, 𝑥2) = (𝑓1(𝑥1, 𝑥2), 𝑓2(𝑥1, 𝑥2), … , 𝑓18(𝑥1, 𝑥2)) sendo o domínio representado pelo produto dos planos cartesianos doses de nitrogênio, 𝐴1 = [0,120] e doses de molibdênio 𝐴2 = [0,50] e o contradomínio constituído em ℝ18, estando este, associados às variáveis de saída: teor foliar dos nutrientes, variáveis biométricas e produtividade de grãos da soja, para os anos agrícolas 2013/14 e 2014/15 respectivamente. 32 Figura 4 - SBRF de avaliação da soja com duas variáveis de entrada (doses de N e doses de Mo), 18 variáveis de saída (variáveis biométricas, nutricionais e produtividade) na cobertura vegetal de milheto no ano safra 2013/14. Fonte: Elaborada pelo autor. Figura 5 - SBRF de avaliação da soja com duas variáveis de entrada (doses de N e doses de Mo), 18 variáveis de saída (variáveis biométricas, nutricionais e produtividade) na cobertura vegetal de milheto no ano safra 2014/15. Fonte: Elaborada pelo autor. 33 Conjunto fuzzy das variáveis de entrada Para elaboração do conjunto fuzzy das variáveis de entrada do tipo triangular, foi desenvolvido o SBRF das variáveis; Nitrogênio e Molibdênio, sendo ambos constituídos de quatro conjuntos denominados por C1, C2, C3 e C4 para respectivas dosagens de N e Mo, e suas extremidades classificadas por [𝑝𝑖−1, 𝑝𝑖 , 𝑝𝑖+1], para qual 𝑝0 e 𝑝5 são extremidades expressar por 𝑝0 = 𝑝1 − (𝑝2 − 𝑝1) = 2𝑝1 − 𝑝2 e 𝑝5 = 𝑝4 + (𝑝4 − 𝑝3) = 2𝑝4 − 𝑝3, de acordo com a Tabela 1. Tabela 1 – Definição das funções de pertinência triangulares da variável de entrada. Conjunto Fuzzy Tipo Delimitadores 𝐶1 Triangular [𝑝0, 𝑝1, 𝑝2] 𝐶2 Triangular [𝑝1, 𝑝2, 𝑝3] 𝐶3 Triangular [𝑝2, 𝑝3, 𝑝4] 𝐶4 Triangular [𝑝3, 𝑝4, 𝑝5] Fonte: Elaborada pelo autor. De acordo com o delineamento experimental adotado, foram propostas 4 doses de nitrogênio (0, 40, 80 e 120 kg.ha-1) e 4 doses de molibdênio (0; 12,5; 25 e 50 g.ha-1). Sendo assim, as entradas do sistema fuzzy serão definidas pelas variáveis nitrogênio e molibdênio, e terão respectivamente os seguintes conjuntos fuzzy associados: 𝐴1𝑗 e 𝐴2𝑗, com 1 ≤ 𝑗 ≤ 4, 𝑗 ∈ ℕ. Tais conjuntos fuzzy são definidos na forma de números fuzzy, tendo portando somente um ponto com grau de pertinência 1, e podendo ser definidos com somente três pontos, a saber: − 𝒂: ínfimo do suporte da função de pertinência associado ao conjunto fuzzy; − 𝒃: ponto com grau de pertinência 1; − 𝒄: máximo do suporte da função de pertinência associado ao conjunto fuzzy. Sendo assim, estabelece-se todos conjuntos fuzzy 𝐴𝑖 1 e 𝐴𝑖 2 denotando todos delimitadores das funções de pertinência associadas da forma 𝐴𝑖 𝑟: [𝒂𝑖 𝑟 , 𝒃𝑖 𝑟 , 𝒄𝑖 𝑟] com 1 ≤ 𝑟 ≤ 2, 1 ≤ 𝑖 ≤ 4, 𝑟, 𝑖 ∈ ℕ. A definição de tais delimitadores é feita da seguinte forma: Δ1 = 40, Δ2 = 12.5 𝒃𝑖 1 = Δ1(𝑖 − 1), 𝑖 = 1,2,3,4 𝒃𝑖 2 = Δ2(𝑖 − 1), 𝑖 = 1,2,3 𝒃4 2 = 50 𝒂𝑖+1 𝑟 = 𝒃𝑖 𝑟 , 𝒄𝑖 𝑟 = 𝒃𝑖+1 𝑟 , 𝑖 = 1,2,3 𝒂1 𝑟 = 𝒃1 𝑟 − (𝒃2 𝑟 − 𝒃1 𝑟), 𝒄4 𝑟 = 𝒃4 𝑟 + (𝒃4 𝑟 − 𝒃3 𝑟). 34 Estão apresentados nas Tabelas 2 e 3, as funções de pertinência das variáveis de entrada, N e Mo respectivamente, cujos os valores numéricos foram retirados da análise experimental realizada por Goes (2016), referente as diferentes dosagens de 0, 40, 80 e 120 kg.ha-1 para nitrogênio e 0, 12.5, 25 e 50 g.ha-1 para molibdênio. Tabela 2 – Definição da função de pertinência da variável de entrada nitrogênio. Conjunto Fuzzy Tipo Delimitadores 𝐶1 Triangular [−40, 0, 40] 𝐶2 Triangular [0, 40, 80] 𝐶3 Triangular [40, 80, 120] 𝐶4 Triangular [80, 120, 160] Fonte: Elaborada pelo autor. Tabela 3 - Definição da função de pertinência da variável de entrada molibdênio. Conjunto Fuzzy Tipo Delimitadores 𝐶1 Triangular [−12,5; 0; 12,5] 𝐶2 Triangular [0; 12,5; 25] 𝐶3 Triangular [12,5; 25; 50] 𝐶4 Triangular [25; 50; 75] Fonte: Elaborada pelo autor. Estão representados nas Figuras 6 e 7, as funções de pertinência das variáveis de entrada, N e Mo respectivamente. Figura 6 – Função de pertinência da variável de entrada nitrogênio. Fonte: Elaborada pelo autor. 35 Figura 7 – Função de pertinência da variável de entrada molibdênio. Fonte: Elaborada pelo autor. Conjunto fuzzy das variáveis de saída Foram utilizadas funções de pertinência do tipo triangular para representar as variáveis de saída, assim como, nas variáveis de entrada, justificando-se pelo facilidade computacional para manipulação dos dados, além de resultar nos menores erros estatísticos de ajustes de modelos (PEREIRA FILHO, 1999). Uma vez que no delineamento experimental adotado existem dois fatores de 4 níveis (4 doses de nitrogênio e 4 doses de molibdênio), estabeleceu-se 16 tratamentos. Cada tratamento está relacionado à uma (1) média de cada variável. Sendo assim, propõe-se inicialmente o estabelecimento de 16 conjuntos fuzzy para cada variável de saída, denotados por 𝐶𝑖 𝑗 , com 1 ≤ 𝑖 ≤ 16 e 1 ≤ 𝑗 ≤ 18, 𝑖, 𝑗 ∈ ℕ, uma vez que este presente modelo possui 18 variáveis de saída. Todavia, para variáveis que possuam médias de quaisquer dois tratamentos idênticas, somente um único conjunto fuzzy foi associado. Logo, se 𝑘𝑗 é o número de médias distintas entre os tratamentos em cada variável de saída, tem-se a proposição agora efetiva de 𝑘𝑗 conjuntos fuzzy para cada variável de saída, denotados por 𝐶𝑘𝑗 𝑗 , com 1 ≤ 𝑘𝑗 ≤ 16 e 1 ≤ 𝑗 ≤ 18, 𝑗, 𝑘𝑗 ∈ ℕ. Tais conjuntos fuzzy são definidos na forma de números fuzzy, tendo portando somente um ponto com grau de pertinência 1, e sendo definidos com somente três pontos, a saber: − 𝒂: ínfimo do suporte da função de pertinência associado ao conjunto fuzzy; − 𝒃: ponto com grau de pertinência 1; − 𝒄: máximo do suporte da função de pertinência associado ao conjunto fuzzy. 36 Sendo assim, estabelece-se todos conjuntos fuzzy 𝐶𝑘𝑗 𝑗 denotando todos delimitadores das funções de pertinência associadas da forma 𝐶𝑘𝑗 𝑗 ∶ [𝒂𝑘𝑗 𝑗 , 𝒃𝑘𝑗 𝑗 , 𝒄𝑘𝑗 𝑗 ] com 1 ≤ 𝑘𝑗 ≤ 16 e 1 ≤ 𝑗 ≤ 18, 𝑗, 𝑘𝑗 ∈ ℕ. Definindo para cada 𝑗, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ , o conjunto {𝒎𝑘 𝑗 } 𝑘=1 𝑘=𝑘𝑗 , com 𝒎𝑘 𝑗 ≤ 𝒎𝑘+1 𝑗 , 1 ≤ 𝑘 ≤ 15, formado pelas 𝑘𝑗 médias distintas da variável 𝑗, a definição dos delimitadores dos conjuntos 𝐶𝑘𝑗 𝑗 (Tabela 4) é feita para todos 𝑗, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ , da seguinte forma: 𝒃𝑘 𝑗 = 𝒎𝑘 𝑗 , 1 ≤ 𝑘 ≤ 𝑘𝑗 𝒂𝑘+1 𝑗 = 𝒃𝑘 𝑗 , 𝒄𝑘 𝑗 = 𝒃𝑘+1 𝑗 , 1 ≤ 𝑘 < 𝑘𝑗 𝒂1 𝑗 = 𝒃1 𝑗 − (𝒃2 𝑗 − 𝒃1 𝑗 ), 𝒄𝑘𝑗 𝑗 = 𝒃𝑘𝑗 𝑗 + (𝒃𝑘𝑗 𝑗 − 𝒃𝑘𝑗−1 𝑗 ). Tabela 4 - Características dos delimitadores da 𝑗-ésima variável de saída do SBRF, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ, com funções de pertinência triangular. Conjunto fuzzy Delimitadores 𝐶1 [𝒂1 𝑗 , 𝒃1 𝑗 , 𝒄1 𝑗] = [𝒃1 𝑗 − (𝒃2 𝑗 − 𝒃1 𝑗), 𝒃1 𝑗 , 𝒃2 𝑗] 𝐶2 𝑗 [𝒂2 𝑗 , 𝒃2 𝑗 , 𝒄2 𝑗 ] = [𝒃1 𝑗 , 𝒃2 𝑗 , 𝒃3 𝑗 ] 𝐶3 𝑗 [𝒂3 𝑗 , 𝒃3 𝑗 , 𝒄3 𝑗 ] = [𝒃2 𝑗 , 𝒃3 𝑗 , 𝒃4 𝑗 ] ⁝ ⁝ ⁝ 𝐶𝑘𝑗−1 𝑗 [𝒂𝑘𝑗−1 𝑗 , 𝒃𝑘𝑗−1 𝑗 , 𝒄𝑘𝑗−1 𝑗 ] = [𝒃𝑘𝑗−2 𝑗 , 𝒃𝑘𝑗−1 𝑗 , 𝒃𝑘𝑗 𝑗 ] 𝐶𝑘𝑗 𝑗 [𝒂𝑘𝑗 𝑗 , 𝒃𝑘𝑗 𝑗 , 𝒄𝑘𝑗 𝑗 ] = [𝒃𝑘𝑗−1 𝑗 , 𝒃𝑘𝑗 𝑗 , 𝒃𝑘𝑗 𝑗 + (𝒃𝑘𝑗 𝑗 − 𝒃𝑘𝑗−1 𝑗 )] Fonte: Elaborada pelo autor. Base de regras A base de regras consiste na associação do par ordenado (𝐴𝑖 1 , 𝐴𝑝 2 ), 1 ≤ 𝑝 ≤ 4, 1 ≤ 𝑖 ≤ 4, 𝑝, 𝑖 ∈ ℕ de conjuntos fuzzy de entrada de cada um dos 16 tratamentos à algum conjunto fuzzy de saída 𝐶𝑘𝑗 𝑗 , para cada variável 𝑗, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ, feito por meio da identificação da média 𝒎𝑗,𝑘𝑖𝑝 do tratamento relacionado ao par ordenado (𝐴𝑖 1 , 𝐴𝑝 2 ) de conjuntos de entrada, que por sua vez, fica associado ao conjunto fuzzy de saída 𝐶𝑘𝑖𝑝 𝑗 (Tabela 5). 37 Tabela 5 - Base de regras do sistema fuzzy relativa à 𝑗-ésima variável de saída do SBRF, 1 ≤ 𝑗 ≤ 18, 𝑗 ∈ ℕ Regra Conjuntos Fuzzy de Entrada Conjuntos Fuzzy de Saída 1 (𝐴1 1, 𝐴1 2) (𝐶𝑘11 1 , 𝐶𝑘11 2 , … , 𝐶𝑘11 18 ) 2 (𝐴1 1, 𝐴2 2) (𝐶𝑘12 1 , 𝐶𝑘12 2 , … , 𝐶𝑘12 18 ) 3 (𝐴1 1, 𝐴2 3) (𝐶𝑘13 1 , 𝐶𝑘13 2 , … , 𝐶𝑘13 18 ) 4 (𝐴1 1, 𝐴2 4) (𝐶𝑘14 1 , 𝐶𝑘14 2 , … , 𝐶𝑘14 18 ) 5 (𝐴2 1 , 𝐴1 2) (𝐶𝑘21 1 , 𝐶𝑘21 2 , … , 𝐶𝑘21 18 ) 6 (𝐴2 1 , 𝐴2 2) (𝐶𝑘22 1 , 𝐶𝑘22 2 , … , 𝐶𝑘22 18 ) 7 (𝐴2 1 , 𝐴2 3) (𝐶𝑘23 1 , 𝐶𝑘23 2 , … , 𝐶𝑘23 18 ) 8 (𝐴2 1 , 𝐴2 4) (𝐶𝑘24 1 , 𝐶𝑘24 2 , … , 𝐶𝑘24 18 ) ⁝ ⁝ ⁝ 16 (𝐴4 1 , 𝐴4 2) (𝐶𝑘44 1 , 𝐶𝑘44 2 , … , 𝐶𝑘44 18 ) Fonte: Elaborada pelo autor. Método de inferência e defuzzyficação Foi utilizado o Método de Mamdani para realização do processo de inferência e defuzzyficação de associação das variáveis de saída por meio da base de regras, calculando-se com base no centro de massa, conforme a Equação (2), em que 𝑚𝑘 representa o centro do conjunto fuzzy kB (MAMDANI; ASSILIAN, 1975; CAO; REES; FENG, 2001; BELARBI et al., 2005). 1 1 ( ) ( ) k k m k Bk m Bk m u u u   = = =   (2) Softwares utilizados Utilizou-se a ferramenta Fuzzy Logic Toolbox, do software MATLAB®, licenciado para uso pela Universidade Estadual Paulista (UNESP) – Faculdade de Ciências e Engenharia, Campus de Tupã para elaboração dos gráficos e das funções de pertinência, além do uso de planilhas eletrônicas (Microsoft EXCEL) e o software MINITAB® para realização das análises estatísticas. 38 2.2.4. Análise Multivariada Foi determinado o grau de relacionamento entre as variáveis estudadas por meio da análise multivariada, verificando o grau de similaridade e dissimilaridade entre as mesmas em relação aos diferentes níveis de nitrogênio e molibdênio. A análise multivariada consiste na extração e no processamento de informações de conjuntos com grandes quantidades de dados (YAMANISHI et al., 2018), formando grupos reduzidos com base na similaridade e dissimilaridade entre as variáveis (MAIONE; BARBOSA; BARBOSA, 2019), entendendo, desse modo, a influência de múltiplas variáveis × simultaneamente em y (GRECH; CALLEJA, 2018; MAIONE; BARBOSA; BARBOSA, 2019). A utilização da técnica de análise de dados multivariada permite estimar a importância das variáveis em relação ao processo de classificação de dados, identificando as variáveis que prejudicam o desempenho do modelo (CHANDRASHEKAR; SAHIN, 2014). Desta maneira, se estabelece a relação entre as variáveis, formando grupos, conhecidos como clusters, para elaboração do dendrograma, como ilustrado na Figura 8 (FORINA et al., 2007; CHONG; LEE; LING, 2013). Figura 8 – Demonstração de dendrograma. Fonte: MINITAB (2019) O grau de similaridade é calculado com base na distância entre as variáveis, estando diretamente relacionada ao grau de correlação entre as mesmas. A exemplo, se tivermos um grau de correlação entre duas variáveis de 0,879, sua distância no dendrograma, será calculada por meio da subtração de uma unidade, ou seja, 1 − 0,879 = 0,121, ou seja, quanto maior for 39 o grau de correlação entre as variáveis, menor será seu distanciamento no apresentação gráfica do dendrograma. 2.3 Resultados e Discussão Os resultados foram descritos conforme os modelos fuzzy elaborados para as 18 variáveis de saída da cultura da soja, referente aos anos agrícolas 2013/14 e 2014/15, em relação ao comportamento das mesmas, frente à aplicação de diferentes doses de nitrogênio sob a cobertura vegetal e diferentes doses de molibdênio aplicada via foliar na cultura em sucessão, cultivada sob SPD. 2.3.1 Análise Multivariada Foi elaborada a análise multivariada das variáveis de saída da cultura da soja em relação a cobertura vegetal de milheto para os anos agrícolas de 2013/14 e 2014/15, por meio da correlação de Pearson com significância de 5%. Os níveis de similaridade entre as variáveis, estão representados nas Figuras 9 e 10, por meio do dendrograma, a seguir. Figura 9 – Dendrograma das variáveis de saída da cultura da soja, do ano agrícola 2013/14 para a cobertura vegetal de milheto. Fonte: Elaborada pelo autor. MGRNVPAPLTZnAIVTMgTCaESTTSTPTMnTCuTNTKTMoNGVNGPPRO 14,21 42,80 71,40 100,00 S im il a r id a d e 40 Figura 10 – Dendrograma das variáveis de saída da cultura da soja, do ano agrícola 2014/15 para a cobertura vegetal de milheto. Fonte: Elaborada pelo autor. A análise gráfica do dendrograma representa a formação de grupos de variáveis com níveis de similaridade em relação ao comportamento frente às diferentes dosagens de nitrogênio e molibdênio que foram utilizadas no experimento, ao passo que, quanto mais alto for o grau de similaridade, menor será o número de variáveis agrupadas, ocasionando na formação de um maior número de grupos e do mesmo modo, ao passo que diminui o grau de similaridade, ocorre a formação de números menores de grupos, porém com maior quantidade de variáveis agrupadas. A posição ocupada pelas variáveis no gráfico de dendrograma, se baseia no coeficiente de correlação de Pearson, de modo que, quanto maior for o grau de correlação entre as mesmas, maior será a proximidade entre elas, por outro lado, a exemplo as variáveis, produtividade (PRO) e número de grãos por planta (NGP), na Figura 9, com coeficiente de 0,737, sendo a distância, resultado da diferença de uma (1) unidade, 1 – 0,737 = 0,263. Por outro lado, a distância entre as variáveis PRO e MGR, é resultado da diferença entre 1 e 0,290, resultando em 0,710, evidenciado no dendrograma a distância entre ambas. Para análise complementar do dendrograma, são trazidos os passos de Amalgamação na Tabela 6, demonstrando o número de variáveis agrupadas a cada passo a nível de similaridade. A distância entre os grupos formados, caracteriza a relevância quanto à quantidade de cluster necessários para o agrupamento, a medida em que ocorre uma mudança abrupta entre os passos. TCuTPAPLESTTMnTMoTSTMgTZnTNNGVNGPTKMGRAIVTCaNVPPRO 26,58 51,05 75,53 100,00 S im il a r id a d e 41 Tabela 6 – Passos de Amalgamação das variáveis de saída da cultura da soja para a cobertura vegetal de milheto. 2013/14 2014/15 Passo Agrupados Similaridade Distância Passo Agrupados Similaridade Distância 1 17 86,85 0,26 1 17 83,40 0,33 2 16 86,48 0,27 2 16 81,33 0,37 3 15 80,28 0,39 3 15 72,33 0,55 4 14 72,23 0,55 4 14 71,33 0,57 5 13 67,50 0,64 5 13 71,07 0,57 6 12 66,22 0,67 6 12 66,46 0,67 7 11 62,48 0,75 7 11 65,97 0,68 8 10 61,29 0,77 8 10 61,93 0,76 9 9 59,26 0,81 9 9 58,65 0,82 10 8 56,27 0,87 10 8 57,69 0,84 11 7 54,60 0,90 11 7 54,34 0,91 12 6 47,87 1,04 12 6 53,54 0,92 13 5 45,36 1,09 13 5 50,09 0,99 14 4 42,20 1,15 14 4 45,87 1,08 15 3 41,18 1,17 15 3 42,26 1,15 16 2 36,13 1,27 16 2 32,18 1,35 17 1 14,20 1,71 17 1 26,57 1,46 Fonte: Elaborada pelo autor. Observa-se na Tabela 6, anteriormente, o aumento relativo da distância entre os agrupamentos formados ao longo de cada passo. Por exemplo, para o ano 2013/14, entre o passo 1 e 16 nota-se um aumento médio de 0,07 a cada passo, já quando ocorre o avanço do passo 16 para o 17, percebe-se uma mudança abrupta da distância, de aproximadamente 0,44, o que pode representar uma região a ser seccionada no dendrograma, referindo-se a uma quantidade necessária de cluster, para um nível de similaridade de 36,13% entre as variáveis. Já em relação ao ano 2014/15, nota-se uma mudança abrupta entre o passo 15 e 16, para uma formação de 3 clusters, com similaridade de 42,26% entre as variáveis. Por sua vez, a distância entre as variáveis na representação gráfica do dendrograma, dá-se por meio da correlação de Pearson, sendo que, à medida que existe um maior grau de correlação entre as variáveis, menor será a distância entre as mesmas. Observa-se nas Tabelas 7 e 8, a correlação de Pearson entre as variáveis analisadas para a cultura da soja em relação a cobertura vegetal de milheto, para o nível de significância de 5%, para os anos 2013/14 e 2014/15 respectivamente. 42 Tabela 7 – Correlação de Pearson entre as variáveis de saída analisadas para a cultura da soja com cobertura vegetal de milheto para nível de significância de 5% (Ano 2013/14). PRO EST AIV APL NVP NGP NGV MGR TN TP TK TCa TMg TS TMo TCu TZn EST - AIV - - APL - - - NVP - - - - NGP 0,737 - - 0,287 0,292 NGV 0,324 - - - -0,716 0,411 MGR 0,290 - - 0,316 0,35 0,323 - TN - - - - - - - - TP - - - - - - - - - TK - -0,437 - - - - - - - - TCa - - - - - - - - -0,299 - -0,354 TMg - 0,296 - - - - - - -0,294 - - 0,730 TS - - - - - - - - - 0,606 - - - TMo - - - - - - - - - - - - - - TCu - - - - - - - - - - - -0,361 -0,404 - - TZn - - - - - - - - - - - - - 0,288 - - TMn - - - - - - - - - - - -0,375 -0,297 - - 0,445 0,387 Legenda: Produtividade (PRO) [kg.ha-1], Estande (EST) [mil Plantas.ha-1], Altura de inserção da primeira vagem (AIV) [cm], Altura de planta (APL) [cm], Número de vagens por planta (NVP) [unid.], Número de grãos por planta (NGP) [unid.], Número de grãos por vagem (NGV) [unid.], Massa de 1000 grãos (MGR) [unid.], Teor foliar de nitrogênio (TN) [g.kg-1], Teor foliar de fósforo (TP) [g.kg-1], Teor foliar de potássio (TK) [g.kg-1], Teor foliar de cálcio (TCa) [g.kg-1], Teor foliar de magnésio (TMg) [g.kg-1], Teor foliar de enxofre (TS) [g.kg-1], Teor foliar de molibdênio (TMo) [mg.kg-1], Teor foliar de cobre (TCu) [mg.kg-1], Teor foliar de zinco (TZn) [mg.kg-1], Teor foliar de manganês (TMn) [mg.kg-1]. Fonte: Elaborada pelo autor. 43 Tabela 8 – Correlação de Pearson entre as variáveis de saída analisadas para a cultura da soja com cobertura vegetal de milheto para nível de significância de 5% (Ano 2014/15). PRO EST AIV APL NVP NGP NGV MGR TN TP TK TCa TMg TS TMo TCu TZn EST - AIV - - APL - 0,427 - NVP 0,319 - - - NGP - - - - 0,569 NGV - - - - - 0,627 MGR - - - -0,365 - - - TN - -0,287 - - - - - 0,372 TP -0,392 - - - - - - -0,468 - TK - - - - - - - 0,329 - - TCa 0,295 -0,316 - - - 0,393 - - - -0,286 - TMg - -0,353 - -0,301 - - - 0,415 0,426 -0,296 - 0,487 TS - -0,445 - - - - - 0,388 0,500 - - 0,300 0,668 TMo - - - - -0,356 - 0,284 - - - - - - - TCu - - - - - - - - - - - - - - - TZn - - - - - - - 0,311 0,447 - - - 0,422 0,503 - - TMn - - - - - - - - - - - - - - - - - Legenda: Produtividade (PRO) [kg.ha-1], Estande (EST) [mil Plantas.ha-1], Altura de inserção da primeira vagem (AIV) [cm], Altura de planta (APL) [cm], Número de vagens por planta (NVP) [unid.], Número de grãos por planta (NGP) [unid.], Número de grãos por vagem (NGV) [unid.], Massa de 1000 grãos (MGR) [unid.], Teor foliar de nitrogênio (TN) [g.kg-1], Teor foliar de fósforo (TP) [g.kg-1], Teor foliar de potássio (TK) [g.kg-1], Teor foliar de cálcio (TCa) [g.kg-1], Teor foliar de magnésio (TMg) [g.kg-1], Teor foliar de enxofre (TS) [g.kg-1], Teor foliar de molibdênio (TMo) [mg.kg-1], Teor foliar de cobre (TCu) [mg.kg-1], Teor foliar de zinco (TZn) [mg.kg-1], Teor foliar de manganês (TMn) [mg.kg-1]. Fonte: Elaborada pelo autor. 44 Nota-se na Tabela 7, o alto grau de correlação entre as variáveis PRO e NGP, sendo demonstrada pela proximidade entre ambas, na análise gráfica do dendrograma (Figura 9); já por sua vez, a correlação negativa de 0,716 entre as variáveis NVP e NGV, explica o seu distanciamento gráfico, referente ao ano 2013/14. Verifica-se, por sua vez, a correlação negativa existente entre o Teor foliar de nitrogênio e as variáveis, Teor foliar de magnésio e Teor foliar de cálcio, sendo de -0,299 e - 0,294 respectivamente, já por sua vez, nota-se entre TMg e TCa, uma correlação positiva de 0,730, estando representadas lado a lado no dendrograma da Figura 9. Já para o segundo ciclo da cultura, verifica-se a correlação (Tabela 8) positiva entre as TMg e TS, demonstrada graficamente no dendrograma (Figura 10), sua proximidade em relação ao grau de similaridade de seus comportamentos. Já a dissimilaridade é notada pela correlação negativa existente entre a variável TP com as variáveis PRO e MGR, -0,392 e -0,468 respectivamente, assim como o distanciamento gráfico das variáveis. 2.3.2 Estatística descritiva das variáveis analisadas Foi aferida a média para cada variável em função da combinação entre as doses de nitrogênio aplicada em cobertura vegetal e doses de molibdênio aplicada via foliar na cultura da soja, referente aos Ano1 e 2 de realização do experimento, conforme pode ser observado nas Tabelas 9 e 10. 45 Tabela 9 - Média das variáveis analisadas, produtividade, variáveis biométricas e teores foliares da cultura da soja semeada em palhada de milheto durante o Ano 1. PRO EST AIV 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 2804 2768 3548 3544 233,3 209,9 204,9 198,8 14,20 13,50 12,20 14,87 40 3124 3623 3406 3279 206,2 213,6 216,0 191,4 14,70 13,67 13,87 15,80 80 2000 2734 2939 3270 196,3 200,0 218,5 204,9 14,07 13,07 15,40 13,17 120 2897 3411 3262 3270 186,4 213,6 227,2 201,2 12,20 11,20 13,13 13,13 APL NVP NGP 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 80,73 75,45 78,20 78,87 69,20 77,90 85,65 69,40 153,3 160,1 205,7 192,4 40 72,23 84,90 67,90 84,50 131,05 108,00 75,90 84,20 174,6 223,0 201,0 193,9 80 56,30 70,80 72,80 72,60 76,60 71,87 80,73 95,10 123,1 170,0 185,7 202,2 120 75,20 59,90 55,60 68,70 67,90 86,10 70,60 76,60 161,9 193,3 193,3 198,0 NGV MGR TN 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 2,232 2,066 2,412 2,823 120,8 121,4 128,3 126,4 43,98 39,18 40,27 43,54 40 1,333 2,063 2,703 2,307 125,8 125,8 127,3 121,0 42,72 42,91 45,78 43,24 80 1,682 2,385 2,305 2,131 122,2 120,3 125,1 128,1 42,89 41,14 42,23 45,90 120 2,382 2,246 2,601 2,740 120,1 118,4 118,7 121,7 42,40 46,36 45,41 42,93 TP TK TCa 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 8,280 8,429 8,425 8,738 11,50 12,75 11,83 12,25 9,375 8,583 8,417 8,417 40 8,759 8,816 8,437 8,341 11,42 12,00 11,33 11,25 8,000 7,083 7,500 7,375 80 8,747 8,847 8,809 8,379 11,75 11,25 11,00 11,75 8,167 8,167 7,667 7,250 120 8,388 8,839 8,648 8,676 13,08 12,08 11,67 12,00 6,667 6,250 7,083 7,333 TMg TS TMo 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 4,500 4,083 4,250 4,250 2,925 2,848 2,948 2,762 5,707 6,502 6,377 6,160 40 4,000 3,667 3,833 3,583 2,905 2,558 2,958 2,493 5,927 6,154 6,342 5,584 80 3,750 3,917 4,083 4,083 2,848 3,109 3,098 3,041 6,075 6,456 5,801 5,369 120 3,583 3,667 3,750 3,667 2,632 3,024 3,005 3,151 5,515 6,653 6,195 5,765 TCu TZn TMn 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 11,50 13,00 13,00 14,33 57,50 62,00 56,33 58,33 105,0 120,7 131,3 120,3 40 15,33 14,00 14,33 18,00 62,67 56,33 61,33 62,33 167,3 129,0 160,5 182,0 80 15,33 16,00 16,33 12,33 59,67 60,67 58,67 59,33 136,3 143,7 133,7 140,0 120 14,67 15,33 14,00 18,67 57,67 62,00 60,33 56,67 127,5 152,0 154,5 143,0 46 Tabela 10 - Média das variáveis analisadas, produtividade, variáveis biométricas e teores foliares da cultura da soja semeada em palhada de milheto durante o Ano 2. PRO EST AIV 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 3313 3511 3973 2950 253,1 242,0 237,0 240,7 12,28 14,27 12,53 11,47 40 3251 3366 3458 3651 225,9 246,9 258,0 244,4 12,87 13,73 12,87 13,60 80 3480 2939 3655 3343 240,7 232,1 250,6 249,4 11,92 11,22 12,40 10,87 120 3279 3938 2979 3195 230,9 258,0 271,6 233,3 11,60 14,35 13,03 12,10 APL NVP NGP 0 12,5 25 50 0 12,5 25 50 0 12,5 25 50 0 91,50 77,60 82,13 82,38 71,20 76,60 75,00 82,90 191,0 134,7 138,5 136,2 40 86,80 79,20 86,80 88,87 77,33 71,60 70,27 122,30 118,5 163,6 93,0 187,8 80 82,10 84,60 83,60 80,80 68,13 85,90 110,20 91,00 89,7 163,3 163,5 175,9 120 79,27 80,07 90,52 92,80 10