DELINEAMENTO DE ZONAS HOMOGÊNEAS POR GEOESTATÍSTICA BASEADA EM MODELOS ROBUSTA À OUTLIERS

Palavras-chave: Estatística robusta. Agricultura de precisão. Condutividade elétrica aparente. Variabilidade espacial. Fuzzy k-means.

Resumo

Diversas pesquisas utilizam medidas de condutividade elétrica aparente do solo (CEa) como indicador da variabilidade espacial de atributos físico-químicos existentes no campo de produção. Com base nestas medidas, zonas de manejo (ZM) são delineadas para aperfeiçoamento da gestão agrícola. Entretanto, estas amostras têm apresentado presença de outliers. Todavia, a presença ou incorreta detecção e exclusão de outliers altera o formato do variograma, exibindo estimativas não fidedignas para os seus parâmetros. Dessa forma, objetivou-se nesta pesquisa, tratar dados amostrais da CEa por meio de métodos robustos à presença de outliers, fundamentados na teoria de aproximações robusta e na geoestatística baseada em modelos, para o delineamento de ZM. Assim, estimadores robustos de Cressie Hawkins, Genton’s e MAD Dowd foram avaliados. Nesta avaliação, selecionou-se o estimador de semivariância de Cressie Hawkins. E na sequência, optou-se pelo ajuste cúbico do semivariograma via Critério de Informação de Akaike (AIC). As estimativas obtidas com este ajuste foram aplicadas na plug-in robusto de krigagem. E coerentemente o mapa de krigagem da CEa obtido foi utilizado no classificador fuzzy k-means. Com uso do fuzzy k-means, diferentes ZM foram avaliadas, selecionando-se o mapa com duas ZM por meio dos índices FPI, MPE, Fukuyama-Sugeno e xie beni. As ZM estabelecidas foram validadas quanto as suas diferenças médias relativas à CEa por meio de modelos lineares mistos. Nesta validação optou-se pelo modelo de erros independentes, através do AIC. E dessa forma, diante a exposição dos resultados alcançados, foi possível delinear o mapa de ZM sem necessidade de recorrer à exclusão de outliers, evidenciando o mérito da metodologia empregada.

Referências

AGGELOPOOULOU, K. et al. Delineation of management zones in an apple orchard in Greece using a multivariate approach. Computers and Electronics in Agriculture, v. 90, s/n., p. 119-130, 2013.

BIVAND, R. et al. Bindings for the geospatial Data Abstraction Library. R package version 1. 1–10. 2016.

BOTTEGA, E. L. Utilization of management zones in soy production in the Brazilian savanna. 2014. 78 f. Tese (Doutorado em Engenharia Agrícola) – Universidade Federal de Viçosa, Viçosa, 2014.

BOTTEGA, E. L. et al. Precision agriculture applied to soybean: Part I - Delineation of management zones. Australian Journal of Crop Science, v. 11, n. 5, p. 573-579, 2017.

CÓRDOBA, M. A. et al. Protocol for multivariate homogeneous zone delineation in precision agriculture. Biosystems Engineering, v. 143, s/n., p. 95-107, 2016.

CÓRDOBA, M. et al. Subfield management class delineation using cluster analysis from spatial principal components of soil variables. Computers and Electronics in Agriculture, v. 97, s/n., p. 6-14, 2013.

CRESSIE, N.; HAWKINS, D. M. Robust estimation of the variogram: I. Journal of the International Association for Mathematical Geology, v. 12, n. 2, p. 115-125, 1980.

DIGGLE, P. J.; RIBEIRO, P. J. GEOSTATISTICS, Model-based. Springer series in statistics. Springer, New York, 2007. 228 p.

DIMITRIADOU, E. et al. Misc functions of the Department of Statistics (e1071), TU Wien. R package version 1. 2008. 5-24 p.

DOWD, P. A. The variogram and kriging: robust and resistant estimators. Geostatistics for natural resources characterization. Springer: Dordrecht, 1984. p. 91-106.

FU, W. et al. Outlier identification of soil phosphorus and its implication for spatial structure modeling. Precision Agriculture, v. 17, n. 2, p. 121-135, 2016.

GENTON, M. G. Highly robust variogram estimation. Mathematical Geology, v. 30, n. 2, p. 213-221, 1998.

GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. Upper Saddle River, New Jersey 2008. 977 p.

HAGHVERDI, A. et al. Perspectives on delineating management zones for variable rate irrigation. Computers and Electronics in Agriculture, v. 117, s/n., p. 154-167, 2015.

ISAAKS, E. H.; SRIVASTAVA, R. M. An introduction to applied geostatistics. Oxford University Press, New York, 1989. 561 p.

KERRY, R.; OLIVER, M. A. Comparing sampling needs for variograms of soil properties computed by the method of moments and residual maximum likelihood. Geoderma, v. 140, n. 4, p. 383-396, 2007.

KÜNSCH, H. R. et al. Robust estimation of the external drift and the variogram of spatial data. In: ISI 58th World Statistics Congress of the International Statistical Institute. Eidgenössische Technische Hochschule Zürich, 2013.

LARK, R. M. Forming spatially coherent regions by classification of multi-variate data: an example from the analysis of maps of crop yield. International Journal of Geographical Information Science, v. 12, n. 1, p. 83-98, 1998.

MARONNA, R. A. R. D.; MARTIN, D.; YOHAY, V. Robust statistics. John Wiley & Sons, Chichester, 2006. 57 p.

OLIVER, M. A.; WEBSTER, R. A tutorial guide to geostatistics: Computing and modelling variograms and kriging. Catena, v. 113, s/n., p. 56-69, 2014.

ODEH, I. O. A.; CHITTLEBOROUGH, D. J.; MCBRATNEY, A. B. Soil pattern recognition with fuzzy-c-means: application to classification and soil-landform interrelationships. Soil Science Society of America Journal, v. 56, n. 2, p. 505-516, 1992.

PAPRITZ, A. georob: Robust Geostatistical Analysis of Spatial Data. R package version 0.3-4, 2017. Disponível em: <67 https://CRAN.R-project.org/package=georob> Acesso em 20 set. 2017.

PERALTA, N. R. et al. Delineation of management zones to improve nitrogen management of wheat. Computers and Electronics in Agriculture, v. 110, s/n., p. 103-113, 2015.

PERALTA, N. R. et al. Delineation of management zones with measurements of soil apparent electrical conductivity in the southeastern pampas. Canadian Journal of Soil Science, v. 93, n. 2, p. 205-218, 2013.

PICCINI, C.; MARCHETTI, A.; FRANCAVIGLIA, R. Estimation of soil organic matter by geostatistical methods: Use of auxiliary information in agricultural and environmental assessment. Ecological Indicators, v. 36, s/n., p. 301-314, 2014.

PINHEIRO, J. et al. nlme: Linear and nonlinear mixed effects models. R package version, v. 3.1-128, 2016. Disponível em: <http://CRAN.R-project.org/package=nlme>. Acesso em: 10 set. 2017.

RAMOS, F. T. et al. Defining management zones based on soil attributes and soybean productivity. Revista Caatinga, v. 30, n. 2, p. 427-436, 2017.

RODRIGUES JUNIOR, F. A. et al. Generation of coffee crops management zones using the SPAD sensor and leaf analysis. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 15, n. 8, p. 778-787, 2011.

RUSSELL V. L. Least-Squares Means: The R Package lsmeans. Journal of Statistical Software, v. 69. n. 1, p. 1-33, 2016.

SCUDIERO, E. et al. Delineation of site-specific management units in a saline region at the Venice Lagoon margin, Italy, using soil reflectance and apparent electrical conductivity. Computers and Electronics in Agriculture, v. 99, s/n., p. 54-64, 2013.

SHAHBAZI, F. et al. Geostatistical analysis for predicting soil biological maps under different scenarios of land use. European Journal of Soil Biology, v. 55, s/n., p. 20-27, 2013.

SONG, X. et al. The delineation of agricultural management zones with high resolution remotely sensed data. Precision Agriculture, v. 10, n. 6, p. 471-487, 2009.

TEAM, R. Core. R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing, Vienna, Austria. 2016.

TAYLOR, J. A.; MCBRATNEY, A. B.; WHELAN, B. M. Establishing management classes for broadacre agricultural production. Agronomy Journal, v. 99, n. 5, p. 1366-1376, 2007.

YAO, R. J. et al. Determination of site-specific management zones using soil physico-chemical properties and crop yields in coastal reclaimed farmland. Geoderma, v. 232, s/n., p. 381-393, 2014.

Publicado
2019-05-21
Seção
Engenharia Agrícola