GeoVesper Versao Online

Empresa Brasileira de Pesquisa Agropecuria
Embrapa Solos
Ministrio da Agricultura, Pecuria e Abastecimento
Secretaria de Desenvolvimento Agropecurio e Cooperativismo
Departamento de Propriedade Intelectual e Tecnologia da Agropecuria
GEOESTATSTICA APLICADA NA
AGRICULTURA DE PRECISO
UTILIZANDO O VESPER
Ronaldo Pereira de Oliveira

Clia Regina Grego
Ziany Neiva Brando
Editores Tcnicos
Embrapa
Braslia, DF
2015
Exemplares desta obra podem ser adquiridos na:
Embrapa Solos
Rua Jardim Botnico, n 1.024, Bairro Jardim Botnico,
CEP: 22460-000, Rio de Janeiro, RJ - Fone: (21) 2179-4500 / Fax: (21) 2274-5291
www.embrapa.br/fale-conosco/sac
Unidade responsvel pelo contedo e pela edio

Embrapa Solos Superviso Editorial
Jacqueline Silva Rezende Mattos
Comit Local de Publicaes
Reviso de texto
Presidente Andr Luiz da Silva Lopes
Jos Carlos Polidoro
Normalizao bibliogrfica
Secretrio-executivo
Luciana Sampaio de Araujo
Jacqueline Silva Rezende Mattos
Projeto grfico
Membros Triunfal Grfica & Editora - Assis-SP
Ademar Barros da Silva
Capa
Adriana Vieira de Camargo de Moraes
Alba Leonor da Silva Martins
Enyomara Loureno Silva Editorao eletrnica
Evaldo de Paiva Lima Triunfal Grfica & Editora - Assis-SP
Joyce Maria Guimares Monteiro Ilustraes de capa
Luciana Sampaio de Araujo Foto: Gustavo Vasques
Maria Regina Capdeville Laforet Figuras: Ronaldo Pereira de Oliveira
Maurcio Rizzato Coelho Tratamento das ilustraes
Moema de Almeida Batista Triunfal Grfica & Editora - Assis-SP
1a edio
1 impresso (2015): 1.000 exemplares
Publicao digitalizada (2015)
Todos os direitos reservados.

A reproduo no autorizada desta publicao, no todo ou em parte,
constitui violao dos direitos autorais (Lei n 9.610).
Dados Internacionais de Catalogao na Publicao (CIP)
Embrapa Solos
Geoestatstica aplicada na agricultura de preciso utilizando o Vesper /
Ronaldo Pereira de Oliveira, Clia Regina Grego, Ziany Neiva
Brando, editores tcnicos. Braslia, DF : Embrapa, 2015.
PDF (159 p.) : il. color. ; 16 cm x 23 cm.
ISBN 978-85-7035-572-0
1. Agricultura de preciso. 2. Mtodo estatstico. 3. Programa de

computador. I. Oliveira, Ronaldo Pereira de. II. Grego, Clia Regina. III.
Brando, Ziany Neiva. IV. Embrapa Solos.
CDD (23.ed.) 631.4
Autores
Clia Regina Grego

Possui graduao em Engenharia Agronmica (1996) pela Fa-
culdade de Engenharia de Ilha Solteira (UNESP). Concluiu Mestra-
do (1999) e doutorado (2002) em Agronomia, rea de Energia na
Agricultura, Departamento de Engenharia Agrcola, pela Faculdade de
Cincias Agronmicas de Botucatu (UNESP). Realizou Ps-doutorado
no Instituto Agronmico de Campinas (2006) na rea de anlise geoes-
tatstica aplicada a solos. Desde 2006, pesquisadora na Embrapa
Monitoramento por Satlite em Campinas - SP, atuando principalmen-
te nos seguintes temas de pesquisa e desenvolvimento: agricultura de
preciso, meio ambiente, indicadores agroambientais e variabilidade
espacial com aplicao da geoestatstica para agropecuria.

Possui graduao em: Engenharia Eletrnica (Universidade
Gama Filho, 1989) e Cincia da Computao (Montgomery College,
1986); mestrado em Geoinformao para Aplicaes Rurais (ITC/Uni-
versidade de Wageningen, 1996); e doutorado em Agricultura de Pre-
ciso (Universidade de Sydney, 2010). Experincia com computao
grfica na arquitetura e prospeco de petrleo. Desde 1990, vincula-
do ao Centro Nacional de Pesquisa de Solos (Embrapa Solos), atuando
na rea de pesquisa e desenvolvendo na formulao, execuo e coor-
denao de projetos em: geotecnologias aplicadas ao mapeamento te-
mtico; sistemas de geoinformao e suporte deciso; mapeamento
digital de solos; geoestatstica; e agricultura de preciso.
Agradecimentos
Aos companheiros da equipe tcnica envolvida no Macroprogra-

ma 1 em Agricultura de Preciso, na voluntariosa troca de informaes
e dados, alm de toda a articulao junto ao Ministrio da Agricultura
Pecuria e Abastecimento (MAPA) na pessoa da Dra. Ziany Brando.
Ao MAPA, por priorizar aes de coordenao, acompanhamen-
to, promoo e fomento de tecnologias agropecurias no setor de Agri-
cultura de Preciso. Pelo apoio financeiro e aporte institucional deste
ministrio federal, sem os quais esta publicao no seria possvel.
direo e equipe do Departamento de Desenvolvimento Tecnolgico e
Extenso Rural, em particular ao Dr. Fabrcio Vieira Juntolli, por todo o
esforo na captao e liberao dos recursos.
toda a equipe da Rede de Pesquisa em Agricultura de Preciso,
em especial aos lderes, Dr. Ricardo Inamassu e Dr. Alberto de Campos
Bernardi, que tanto deram apoio logstico, institucional e financeiro na
execuo das atividades de campo e na realizao de curso de aper-
feioamento e nivelamento da equipe tcnica. Aos pesquisadores que
motivaram a aplicao do curso para estudos do fluxo de sedimentos
da Bacia Amaznica, na Embrapa Macap, dissertaes em agroecolo-
gia, na Universidade Estadual do Maranho (UEMA), e no aperfeioa-
mento de tcnicos agrcolas, no SENAR.
Ao proprietrio da Fazenda Cruzeiro, Dr. Vincius de M. Benites,
por acreditar e persistir nos investimentos em tecnologia e no enten-
dimento das oportunidades de aplicao da Agricultura de Preciso,
alm da plena disponibilizao dos dados para fins de publicao.
Aos membros da equipe do Laboratrio de Agricultura de Pre-
ciso (PAL) da Universidade de Sydney, por terem me propiciado a
experincia funcional e social de trabalhar e conviver num ambiente
capaz de integrar alta eficincia e tica cientfica com descontrao e
respeito s individualidades. Ao Dr. Alex McBratney, pela inspirao
cientfica e artstica, capaz de promover o contedo tcnico deste livro
e inspirar a capa dentro dos padres visuais do antigo ACPA. Aos com-
panheiros de equipe, Brett Whelan, Budiman Minasny, James Taylor,
Rafael Viscarra, Tom Bishop, Craig Stuart e Damien Field.
Prefcio
Este livro resultado do esforo de um grupo de atores compro-

metidos com um novo olhar na adoo da Agricultura de Preciso.
Grupo que busca gerar conhecimento e inovao tecnolgica em prol
da eficincia, competitividade e sustentabilidade do campo. Olhar de
fomento tcnico e indutivo, de difuso ampla e acessvel, onde o pla-
nejamento da lavoura siga com parcimnia conceitos, mtodos, proto-
colos operacionais e tecnologias que se adequem, eficiente e dinami-
camente, s condies especficas das diferentes culturas. Grupo que
envolve a Embrapa, a Comisso Brasileira de Agricultura de Preciso
(CBAP), universidades, cooperativas e provedores de tecnologia num
esforo compartilhado e complementar. Olhar que monitora tendn-
cias da realidade que se impem cada vez mais rpida e desafiadora,
onde a adoo da agricultura de preciso torna-se um fator de desen-
volvimento eficiente e sustentvel do agronegcio brasileiro, indo alm
do questionamento cientfico.
A obra sistematiza parte do contedo programtico do nivela-
mento em geotecnologias aplicadas as aes de pesquisa da Rede
de Agricultura de Preciso liderada pela Embrapa. Detalhado nos oito
captulos aqui apresentados, o mdulo intitulado Curso Bsico de
Geoestatstica Utilizando o VESPER abordou tcnicas de anlise da
variabilidade espacial dos fatores de produo para culturas anuais e
perenes. No contexto de software livre, este aplicativo foi considera-
do uma opo eficiente, acessvel e facilitadora no aprendizado dos
conceitos da dependncia espacial e da interpolao por krigagem. O
Vesper (Variogram Estimation and Spatial Prediction plus ERror) um
software de origem acadmica, implementado pela Universidade de
Sydney, Austrlia, e disponvel como ferramenta shareware aplicada a
agricultura de preciso. Visa atender a demanda de agilizar a gerao
de mapas em face ao volume de dados gerados pelo monitoramento
intensivo da lavoura. O material compilado tambm se mostrou per-
tinente sendo aplicado em estudos de fluxos de sedimentos e agroe-
cologia, alm de servir de apoio no aperfeioamento de tcnicos do
SENAR.
A abordagem pragmtica da interface do Vesper reflete-se na
formatao do livro, o qual entendemos ser de valor introdutrio e
didtico no uso das tcnicas de geoestatstica em fases iniciais de ado-
o da agricultura de preciso. Na primeira seo, so apresentados
conceitos bsicos, buscando simplificar o entendimento da teoria por
trs dos procedimentos automatizados. A segunda seo centra-se na
apresentao da interface do Vesper, onde o livro toma a forma de uma
transcrio do manual original em ingls. A terceira e ltima seo,
descreve o roteiro de importao dos mapas gerados no Vesper em um
Sistema de Informaes Geogrficas, alm de identificar as funes
dos procedimentos descritos dentro do processo de adoo da agricul-
tura de preciso e do manejo da fertilidade do solo por stio especfico
no cultivo de gros em rea de plantio direto no Cerrado.
Daniel Vidal Prez

Chefe-Geral da Embrapa Solos
Sumrio
Seo 1 - Antes do Vesper

Introduo............................................................................................ 13
Organizao do livro.......................................................................... 14
Convenes Tipogrficas................................................................... 16
Captulo 1 - Adoo da Agricultura de Preciso............................... 19
1.1 A Geoestatstica como Parte do Processo Decisrio................ 19
1.2 Tecnologias de Monitoramento Intensivo.................................. 23
Captulo 2 - Pr-processamento dos Dados...................................... 29
2.1 Anlise Exploratria.................................................................... 29
2.2 Localizao das Observaes.................................................... 29
2.3 Estatstica Descritiva.................................................................. 32
2.4 Gerao do Histograma.............................................................. 37
2.5 Dados Georreferenciados........................................................... 39
Captulo 3 - Conceitos Bsicos da Geoestatstica............................ 41
3.1 Origem e Conceitos.................................................................... 41
3.2 Anlise do Variograma................................................................ 44
3.3 Exemplo de Ajuste Manual......................................................... 49
3.4 Caractersticas da Dependncia Espacial................................. 52
3.5 Interpolao por Krigagem......................................................... 57
3.6 Tipos de Krigagem...................................................................... 58
Seo 2 - Utilizando o Vesper
Captulo 4 - O Vesper........................................................................... 65
4.1 Requisies do Sistema.............................................................. 65
4.2 Apresentao da Interface......................................................... 68
4.3 Gerenciamento de Arquivos....................................................... 73
4.4 Exportao de Resultados.......................................................... 79
4.5 Aplicaes Avanadas................................................................ 81
Captulo 5 - Variografia........................................................................ 83
5.1 Opes de Ajuste do Variograma............................................... 83
5.2 Modelos Tericos e Tcnicas de Ajuste..................................... 89
5.3 Avaliao da Qualidade do Ajuste.............................................. 91
Captulo 6 - Predio Espacial............................................................ 93
6.1 Krigagem no Vesper.................................................................... 93
6.2 Definio dos Parmetros de Krigagem.................................... 94
6.3 Gerao da Grade e do Contorno de Interpolao................... 95
6.4 Krigagem por Ponto e por Bloco................................................ 98
6.5 Parmetros de Vizinhana.......................................................... 99
6.6 Parmetros Alternativos............................................................. 99
6.7 Execuo da Krigagem............................................................. 100
Seo 3 - Depois do Vesper
Captulo 7 - Importao de Mapas em SIG......................................105
7.1 Mapas Georreferenciados.........................................................105
7.2 Converso em ASCII Raster Grid..............................................106
7.3 O QGIS........................................................................................ 107
7.4 Importao de ArcView ASCII Raster Grid ...............................108
7.5 Importao de Texto Delimitado...............................................114
Captulo 8 - Exemplos das Aplicaes na AP..................................125
8.1 As Funes da Geoestatstica na Adoo da AP.....................125
8.2 Monitoramento Intensivo na Produo de Gros..................126
8.3 Dependncia Espacial da Fertilidade do Solo........................128
8.4 Mapas Estimados por Krigagem.............................................. 131
8.5 Monitoramento da Condutividade Eltrica.................................134
8.6 Estimativas com Diferentes Densidades Amostrais...............136
8.7 Modelos Parametrizados na Variografia..................................141
Concluso...........................................................................................145
Referncias Bibliogrficas................................................................ 147
Anexo I - Formulrio de Registro ........................................................153
Anexo II - Arquivo de Controle .............................................................155
Anexo III - Frmulas Utilizadas nos Clculos do Vesper.................... 157
Seo 1
Antes do Vesper
Introduo
Este livro tem a proposta prtica de apresentar uma ferramenta
de apoio deciso e simulao geoestatstica. O objetivo principal
disponibilizar um material de referncia bsica e acessvel, que possa
orientar na execuo dos procedimentos fundamentais da geoestats-
tica. A proposta apresentar de forma simplificada os conceitos e
requisitos necessrios nas etapas de anlise variogrfica e gerao de
mapas temticos. Visa facilitar a execuo do fluxo de processos para
a obteno de parmetros da dependncia espacial de uma dada va-
rivel e a sua predio em locais onde esta no foi observada.
O material resultado da compilao, ajuste e detalhamento
do contedo da apostila do curso de nivelamento em geotecnologias
realizado no mbito da Rede de Pesquisa em Agricultura de Preciso1
(Rede AP). Participaram cerca de 35 pesquisadores na figura de multi-
plicadores para uma rede envolvendo mais de duzentos pesquisadores,
um laboratrio de referncia nacional e quinze campos experimentais
em diferentes regies agronmicas e culturas (i.e.: anuais e perenes).
Esta demanda por um nivelamento tcnico, de um grupo especializado
e multidisciplinar, enfatizou processos de anlise de dados georrefe-
renciados, posteriores ao monitoramento intensivo. Priorizou-se o uso
de ferramentas livres em temas como: pr-processamento de dados
observados no monitoramento intensivo; geoestatstica; e anlise es-
pacial. Em relao ao mdulo de geoestatstica, buscou-se facilitar o
aprendizado de conceitos e o entendimento das aplicaes em Agri-
cultura de Preciso (AP) utilizando a interface do Vesper (MINASNY et
al., 2005).
Considerado como uma ferramenta de referncia da rede de pes-
quisa, o Vesper (Variogram Estimation and Spatial Prediction plus
ERror) alm de eficiente no processamento e moldada para dados ge-
rados no monitoramento intensivo, oferece uma interface simplificada
para ajuste manual ou automtico de semivariogramas que pode fa-
cilitar a maturao de conceitos no estudo da autocorrelao espa-
cial. Foi desenvolvido no Laboratrio de Agricultura de Preciso da
Universidade de Sydney para a estimativa de variogramas e predio
1 http://www.macroprograma1.cnptia.embrapa.br/redeap2/Rede%20AP
14
espacial por krigagem com indicao do erro associado. O aplicativo

uma soluo acadmica robusta, acessvel e livre para investigao
cientfica. Foi implementado visando atender a demanda por softwares
capazes de agilizar o processamento do grande volume de dados gera-
dos no monitoramento intensivo. Muito frequentemente, acervos com
densidades amostrais maiores que 100 pontos por hectare para cada
varivel observada. Automaticamente calcula distncias mximas e
intervalos entre pares, alm de ajustar alguns dos modelos tericos
disponveis, calculando mtricas da qualidade do ajuste e permitindo
o posterior refinamento visual do mesmo.
Esta abordagem pragmtica do software reflete-se na formatao
deste livro, que tem uma abordagem operacional em sua apresentao,
em parte, servindo de manual de uso do Vesper e dos procedimentos de
importao dos mapas interpolados em Sistemas Geogrficos de Infor-
mao (SIG). O material no se prope a ser completo ou extensivo, no
considerando o detalhamento de conceitos probabilsticos, hipteses, ou
formulaes matemticas. Portanto, a consulta de publicaes de refern-
cia da base terica indicada (CMARA; MEDEIROS, 1996; CRESSIE,
1991; GOOVAERTS, 1997; ISAAKS; SRIVASTAVA, 1989; JOURNEL,
1989; SOARES, 2006; WEBSTER; OLIVER, 2007; YAMAMOTO; LAN-
DIM, 2013).
Organizao do livro
Como reflexo de um treinamento prtico, o livro segue a sequncia

lgica de procedimentos para gerao de mapas por mtodos da geoes-
tatstica. Ilustra o passo a passo das seguintes etapas: a) anlise ex-
ploratria, caracterizao da variabilidade e estimativa da dependncia
espacial de dados do monitoramento intensivo em planilha eletrnica;
b) uso das interfaces do Vesper para anlise e ajuste do variograma,
interpolao por Krigagem e exportao de resultados; e c) importao
dos mapas interpolados em SIG (i.e.: QGIS). Essas so etapas interme-
dirias entre os processos de monitoramento intensivo e anlise espacial
multivariada.
A primeira seo do livro, Antes do Vesper, apresenta uma in-
troduo sinttica da geoestatstica em trs (3) captulos. No primeiro
feita uma breve introduo da aplicao da geoestatstica e suas poten-
GEOESTATSTICA APLICADA NA AGRICULTURA DE PRECISO UTILIZANDO O VESPER 15
ciais contribuies no panorama atual da AP, considerando o ferramental

tecnolgico para o monitoramento intensivo do campo. Esses equipa-
mentos so capazes de gerar dados georreferenciados em alta densida-
de amostral, dando mais robustez aos resultados estatsticos e possibili-
tando uma automao nos procedimentos da anlise variogrfica.
O segundo captulo apresenta procedimentos inerentes a uma
fase preliminar de anlise estatstica de suma importncia, denomina-
da Anlise Exploratria. Nesta, avaliam-se e validam-se os dados de
entrada segundo as mesmas condies de distribuio normal exigidas
pelo formalismo probabilstico considerado na estatstica clssica. A
execuo tpica da anlise de distribuio e a gerao do histograma
desta distribuio so exemplificadas em funes de uma planilha ele-
trnica (i.e.: Microsoft Excel 2013), no intuito de orientar o passo a pas-
so desta etapa numa ferramenta mais acessvel, que pode ser replicada
em diferentes softwares livres compatveis. O terceiro e ltimo captulo
desta primeira seo segue a lgica de fazer uma breve apresentao
de referncia das etapas da geoestatstica, sem os detalhes matemti-
cos e seus algoritmos, visando desmistificar a complexidade da teoria
envolvida. Introduz os conceitos bsicos da geoestatstica, demostrando
como proceder o ajuste de um semivariograma numa planilha eletrni-
ca, etapa da variografia; e apresentando os mtodos mais utilizados de
interpolao por Krigagem, etapa da estimativa espacial.
Na segunda seo, Utilizando o Vesper, trs (3) captulos apre-
sentam e detalham as funes e particularidades de uso dos botes de
controle e das trs (3) abas da janela principal do aplicativo. O Vesper
possibilita estimar o variograma de uma varivel, e, posteriormente, cal-
cular num local no observado o valor desta varivel com o erro asso-
ciado na predio. O quarto captulo apresenta as funes dos botes
de controle e da aba de entrada, onde so detalhados: os formatos de
entrada e de sada de dados, o acesso e a estrutura do arquivo de con-
trole, e as condies de registro e uso do software. O quinto e sexto
captulos descrevem, respectivamente, as abas de variograma (i.e.: Va-
riogram) e krigagem (i.e.: Kriging) que, como na maioria dos aplica-
tivos de geoestatstica, segmentam a predio espacial em duas etapas
distintas. Primeiro a etapa de variografia, onde o clculo do variograma
emprico e o ajuste do variograma terico so realizados, seguida pela
etapa de interpolao por krigagem.
16
A terceira e ltima seo do livro, Aps o Vesper, apresenta no

stimo captulo a importao dos arquivos gerados no Vesper em am-
biente SIG, viabilizando procedimentos posteriores de anlise espacial.
Os conceitos cartogrficos e topolgicos das estruturas de dados veto-
riais e matriciais, apesar de bsicos para uso do SIG e complementares
para fins de uma anlise espacial avanada, no so apresentados
por serem considerados fora do escopo das tcnicas de geoestatstica.
O oitavo e ltimo captulo do livro, faz uma breve apresentao das
aplicaes das tcnicas de variografia e Krigagem com dados reais de
uma rea comercial de produo de gros em regio de Cerrado, com
extenso de 33 ha, sob sistema de plantio direto com a rotao das
culturas de soja, milho e sorgo. Os resultados ilustram a influncia de
dados gerados em diferentes densidades amostrais na preciso dos
mapas interpolados e na capacidade de desenvolver anlises quantita-
tivas mais avanadas com os parmetros da variografia. As diferentes
densidades consideram a amostragem da fertilidade do solo em malha
regular de uma amostra por hectare (i.e.: 35 observaes) e o monito-
ramento intensivo (i.e.: 7.480 observaes) da Condutividade Eltrica
Aparente do Solo (CEa).
Espera-se sistematizar e ampliar o acesso a mapas estimados
com alta preciso, onde os erros das estimativas so conhecidos, ou
seja, mapa do desvio padro na regresso no linear, bem como suas
resolues espaciais possam refinar ou homogeneizar as distintas den-
sidades amostrais associadas. No caso da AP, estas tcnicas podem
ser ajustadas a uma ampla gama de aplicaes em apoio adoo da
AP, viabilizando a integrao de dados que, em geral, variam quanto
distribuio espacial, incerteza na determinao, densidade amostral,
estrutura e natureza da variabilidade dos atributos.
Convenes Tipogrficas
Como reflexo de um treinamento prtico, o livro assume o for-

mato de um manual que segue as seguintes convenes tipogrficas:
Referncia direta aos elementos de software (e.g.:

Ferramentas de aba, janela, sub-janela, opes de menu e botes de
Anlise comando) exatamente como definidos nas interfaces
em portugus.
Referncia direta aos elementos de software (e.g.:

Run Kriging aba, janela, sub-janela, opes de menu, botes de
Program comando e nomes ou extenso de arqivos) exatamente
como definidos nas interfaces em ingls.
Zonas de Destaque para termos tcnicos, de referncia textual
Manejo ou jarges do segmento especfico em portugus.
Destaque para termos tcnicos ou jarges do segmento
on the go
especfico em ingls.
Captulo 1
Adoo da Agricultura de Preciso

Clia Regina Grego
1.1 A Geoestatstica como Parte do Processo Decisrio
A Agricultura de Preciso (AP) uma realidade que vem se di-

fundindo progressivamente no agronegcio brasileiro. A AP utiliza a
integrao de tecnologias de monitoramento intensivo com tcnicas
de anlise espacial visando o planejamento estratgico do manejo dos
fatores de produo segundo suas variaes espao-temporais. Numa
viso geral, a AP consiste em um processo cclico de etapas bem defi-
nidas, as quais requisitam uma integrao multidisciplinar e abrangen-
te de conceitos, tecnologias e conhecimentos. Este processo com-
posto por objetivos especficos como: viabilizar a robtica embarcada;
desenvolver mtodos para integrao e anlise de dados heterogneos;
implementar sistemas de anlise espacial; e propor protocolos opera-
cionais e recomendaes agronmicas para o manejo por stio-espe-
cfico. A integrao destas tecnologias busca disponibilizar aplicativos
de apoio deciso, acessveis e eficientes, de forma a maximizar os
benefcios econmicos, ambientais e sociais do manejo diferenciado
(MCCOWN et al., 2006).
Em meio a uma grande variedade de tecnologias e servios dis-
ponveis no mercado, pode-se considerar que a adoo da AP envolve
a identificao das ferramentas mais eficientes e dos mtodos adequa-
dos para cada sistema de produo especfico. Estas tecnologias visam
facilitar e ampliar a capacidade de entender e avaliar as potenciali-
dades do manejo diferenciado dos fatores preponderantes nas varia-
es da produtividade (e.g.: recursos naturais, aplicao de insumos,
sistemas integrados e fatores mercadolgicos). Esta customizao da
20
tecnologia busca, cada vez mais, a utilizao de equipamentos que

permitam a caracterizao e o manejo da variabilidade espacial da
lavoura com preciso agronmica (BERNARDI et al., 2014).
A necessidade de caracterizar a autocorrelao espacial de mui-
tas variveis e de mapear a estrutura espacial de suas variaes re-
laciona a geoestatstica diretamente aos processos de adoo da AP,
onde deve prevalecer a viso central de planejamento da lavoura. Seja
o monitoramento intensivo feito de forma analgica ou semiautomtica
em pequenas propriedades (e.g.: cultivos ma, uva de mesa, pssego
e vitininicultura potencialmente at 10 ha), ou automatizado pela
mecatrnica embarcada e tecnologias do monitoramento proximal em
reas extensas com produo intensiva (e.g.: gros, algodo e cana-
-de-acar - potencialmente acima de 20 ha). Um fator inerente aos
dados da AP que contempla a requisio bsica da geoestatstica est
no registro das coordenadas individuais de cada observao. Estes
dados georreferenciados podem ser obtidos por sistemas de navegao
global por satlites (e.g.: GPS), mapas temticos, imagens de satlite
ou fotos areas cartograficamente registradas.
Na continuidade do processo cclico de adoo da AP, torna-se
primordial integrar, sintetizar e traduzir a massiva quantidade de dados
monitorados em informaes relevantes que promovam avanos no
conhecimento agronmico, operacional e gerencial no manejo diferen-
ciado do sistema de produo. Nesta etapa do processo as tcnicas
geoestatsticas muito contribuem no apoio deciso, quantificando
as dimenses em que ocorrem variaes de uma varivel (i.e.: es-
cala da correlao espacial entre valores), e mapeando a estrutura
espacial destas variaes (i.e.: geometria da disperso dos valores).
Os parmetros descritos na geoestatstica fornecem meios para uma
postura gerencial consciente, em que o planejamento agronmico e
operacional considera o manejo por stio-especfico. Complementares
mecatrnica embarcada, ferramentas de software que viabilizam o
uso destas tcnicas facilitam um melhor entendimento da variao es-
pacial da produo. Diante da realidade onde a adoo da AP envolve
casos individualizados nas variaes em quantidade, densidade, qua-
lidade e incerteza dos dados monitorados, torna-se essencial o uso de
aplicativos que possibilitem o acesso e a customizao dos processos
de predio espacial de forma especfica para cada acervo de dados.
A adoo de novas tecnologias desenvolvidas para o moni-

toramento intensivo do campo busca correlacionar os dados mais
facilmente observados com outras propriedades de difcil obteno,
visando reduo de gastos e aumento de produtividade. Isto envol-
ve a adoo de plataformas multissensor que permitam quantificar,
com alta preciso espacial, os fatores preponderantes da produo
(WHELAN, 1998). Segundo Molin (2012), a prtica adequada da
AP impe aceitar o fato e assumir o desafio de que manejar a va-
riao espacial da produtividade vai muito alm do que mapear um
atributo de solo e intervir em taxas variadas de N, P, K, Ca e Mg. Ou
seja, podem existir muitos outros fatores potencialmente influen-
ciando na variabilidade espacial-temporal da produo.
Apesar dos procedimentos da anlise geoestatstica no diferi-
rem conceitualmente para aplicaes de diversos fins, na AP a dispo-
nibilidade de dados em alta resoluo espacial viabiliza no s uma
maior preciso e robustez nos resultados, como tambm facilita o en-
tendimento integrado das correlaes espao-temporais entre os dife-
rentes fatores de produo. Assim, a anlise quantitativa da dependn-
cia espacial de dados gerados no monitoramento intensivo dos solos,
dos parmetros de plantas e da produtividade, pode ser facilitada pela
geoestatstica, bem como pode facilitar o uso desta importante ferra-
menta na anlise da estrutura espacial das variaes. Segundo Grego e
Vieira (2005), mesmo numa parcela experimental de 30 x 30 m existe
grande variabilidade de propriedades fsicas do solo e se for conside-
rada como homognea pode mascarar os resultados dos tratamentos
aplicados no manejo por stio-especfico.
A geoestatstica difere da estatstica clssica por considerar que
os valores de uma varivel esto diretamente relacionados sua loca-
lizao. Em sntese, espera-se que observaes prximas apresentem
leituras mais semelhantes do que aquelas separadas por distncias
maiores. Atravs de suas tcnicas, a geoestatstica possibilita avaliar
a dependncia espacial das variveis e estimar valores para locais no
medidos. Isto feito em duas etapas utilizando-se o mesmo conjunto
de dados observados, primeiramente para quantificar a autocorrelao
espacial entre pares de valores equidistantes em diferentes distncias,
e depois, utilizando estes parmetros para estimar o valor da varivel
em locais no amostrados, segundo valores conhecidos numa dada
22
vizinhana. Desta maneira, estas tcnicas possibilitam produzir infor-

maes para gerar mapas e para planejar a estrutura e o esquema
amostral de uma varivel em funo da sua variabilidade espacial.
Em resumo, as tcnicas geoestatsticas podem ser usadas para
diferentes etapas, especficas e complementares. Estas incluem: a)
descrever e modelizar quantitativamente os padres espaciais da va-
riao espacial (i.e.: modelagem do variograma); b) predizer valores
em locais no amostrados (i.e.: interpolao por krigagem); c) dimen-
sionar a incerteza associada a uma estimativa em locais no amos-
trados (i.e.: varincia da krigagem); e d) auxiliar no planejamento e
otimizao de esquemas amostrais.
Segundo Lima (2006), as vantagens reconhecidas da geoesta-
tstica sobre outras tcnicas convencionais de predio espacial so:
O estudo da variabilidade espacial de uma varivel regionalizada;
A suavizao na estimao de valores preditos na regresso;
O desagrupamento que anula as concentraes localizadas das
observaes;
A determinao do comportamento da variao em diferentes
direes (anisotropia);
A preciso sobre as reas ou pontos, no observados, a serem
estimados; e
O dimensionamento das incertezas associadas a estimativa.
O fato de considerar a dependncia espacial das variveis e bus-
car descrever quantitativamente a estrutura espacial de suas variaes
representa um grande potencial de aplicao nas reas de geocin-
cias, cincias ambientais e agronmicas. Em AP, a possibilidade de
gerar mapas relacionados produtividade agrcola utilizando a geoes-
tatstica, constitui um avano no manejo localizado dos sistemas de
produo agrcolas e uma maior preciso e eficincia na tomada de
deciso segundo Tisseyre e McBratney (2007). Com isso, a geoesta-
tstica constitui uma pea fundamental na investigao cientfica e na
gerao de tecnologias, produtos e processos que venham estimular a
adoo consciente e ponderada da AP.
1.2 Tecnologias de Monitoramento Intensivo
Recursos avanados da eletrnica, robtica embarcada e tecno-

logia da informao esto cada vez mais presentes no campo atravs
da AP (CMARA; MEDEIROS, 1998; MOLIN, 1997; VIEIRA, 2000).
Exemplos do uso destas tecnologias aplicadas se caracterizam em
funes especficas nas intervenes do monitoramento intensivo, em
geral de modo contnuo e no invasivo, sendo: a auto navegao, os
sensores de produtividade, os sensores ticos (i.e.: visvel e infraver-
melho prximo) e os sensores de atributos de solo. Estes compem o
conjunto de ferramentas facilitadoras e geradoras de densos acervos
de dados, paradigma referido na literatura internacional como a tec-
nologia de sensores on the go. Com a utilizao destes sensores
possvel gerar informaes em tempo real, de forma complementar as
tecnologias de campo que visam a automao da aplicao de insu-
mos por taxas variadas.
O grande nmero de observaes realizadas no monitoramento
contnuo com sensores de produtividade, condutividade eltrica, emis-
ses gama e outros atributos de solo possibilita gera volumosos bancos
de dados espao-temporais de um nico talho. Muito frequentemente,
com densidades amostrais maiores que 100 pontos por hectare em cada
varivel observada. Nas etapas posteriores ao monitoramento, dentro do
processo de adoo da AP, ferramentas de software tornam-se necess-
rias para gerenciar, analisar e espacializar os dados observados. Estas
tecnologias complementares atendem aos processos de deciso do ma-
nejo diferenciado, onde a crtica, a integrao e a interpretao das in-
formaes dependem de mtodos e procedimentos analticos como: fil-
tragem de valores discrepantes em arquivos gerados pela tecnologia de
campo (i.e.: dados brutos em arquivos de formatos proprietrios gerados
pelas diferentes tecnologias) e a gerao de mapas. Nestas, incluem-se
os aplicativos ilustrados neste livro como o Vesper para geoestatstica e
o sistema de informao geogrfica QGIS.
Amplamente difundido em suas diversas aplicaes, o sensoria-
mento remoto vem sendo complementado por novas tecnologias de
sensores proximais, os quais tambm geraram acervos de dados com
alta resoluo espacial. Estes realizam medies por contato direto
com o solo (RABELLO et al., 2008) e a planta, ou em distancias de
24
at 3 metros em relao ao terreno, dependendo do tipo de sensor. A

frequncia de leitura sincronizada com a atualizao de coordenadas
dos sensores de posicionamento (i.e.: um ponto por segundo), varian-
do o nmero total de observaes por rea em funo da velocidade
de operao. Uma sntese dos tipos de sensores mais utilizados e as
diferentes tecnologias disponveis no mercado inclui:
Sensores de Posicionamento de Campo - permitem determinar a
localizao precisa dentro do talho e a altimetria, possibilitando
a modelagem topogrfica (e.g.: declividade, aspecto, rea de
contribuio e ndice de encharcamento). So sensores de navegao
global por satlites (BERALDO; SOARES, 1995), denominados de
Global Navigation Satellite System (i.e.: GNSS) e disponveis em
diferentes escalas de preciso (e.g.: GPS, DGPS e RTK);
Sensores de Produtividade - permitem quantificar parmetros
da produo em funo da rea colhida (e.g. massa, umidade,
contedo de acar, leo e protenas). Existem vrios aspectos
de operao, arquitetura e preciso no desenvolvimento desses
sensores (MOLIN, 2000). Atualmente os sensores de produtividade,
dependendo da cultura qual se destina, so desenvolvidos
usando sistemas com transdutores piezoeltricos para presso,
sistemas pticos, mecnicos ou que usam sensores de fluxo por
infravermelho localizados no tubo pneumtico ou placa de impacto
instalada no elevador da colheitadeira (REYNS et al., 2002); e
Sensores Proximais de Solo - permitem quantificar atributos
do solo por medio direta (e.g.: condutividade eltrica do
solo) ou indireta (e.g.: atributos correlacionados por funes de
pedotransferncia). Outras medidas diretas valoram atributos
como: contedo de matria orgnica, pH, capacidade de troca
catinica, textura, umidade, nutrientes e contaminaes por
metais pesados. Incluem diferentes tipos de tecnologias em
sensores proximais para observao de diferentes atributos
de solo (Tabela 1.1), sendo: espectrmetros de campo (i.e.:
visvel e infravermelho), condutivmetros por induo eltrica e
eletromagntica, espectrmetros de Raios X, penetrgrafos digitais,
gamarradimetros (e.g.: RS-230 BGO da Radiation Solution -
Figura 1.1.a) e radares de penetrao por permitividadeeltrica
(e.g.: Ground Explorer HDR da Mala Geoscience - Figura 1.1.b)
Fotos: Gustavo Vasques.

(a) (b)
Figura 1.1. Sensores proximais para o monitoramento intensivo e no invasivo
de atributos do solo em AP: a) Gamaradimetro (RS-230 BGO); b) Radar de
Penetrao (Ground Explorer).
No monitoramento intensivo de atributos de solo, estas tecnolo-

gias visam auxiliar nas questes de custo/benefcio da laboriosa malha
amostral de fertilidade do solo diante do nmero mnimo de observaes
requisitadas pelos mtodos da geoestatstica. Pois um grande nmero
de pontos inviabiliza o custo da operao (BOLFE; GOMES, 2005). Em
contrapartida, as observaes devem ser suficientemente prximas e
bem distribudas para conseguir caracterizar as possveis escalas de va-
riabilidade do atributo monitorado. Assim como as imagens de satlite
ou fotografias areas esto para a localizao do perfil modal no mapea-
mento de solos clssico, os mapas produzidos pelos sensores de solo
podem ajudar na determinao de um nmero adequado de amostras
(VIEIRA et al., 2008), identificando regies com diferentes respostas e,
a partir desta informao, concentrando-se a amostragem nas regies
onde existir maior variabilidade e diminuindo-se a densidade nos locais
mais uniformes (GREGO et al., 2014).
Nesse contexto, a alta densidade amostral obtida pelos sensores
de atributos de solos traz duas vantagens distintas. A primeira, tam-
26
bm comum a outros parmetros da produo, est na robustez esta-

tstica que se obtm com o grande nmero de observaes, facilitando
e possibilitando a automao na gerao de mapas de atributos inter-
polados por Krigagem. A segunda, sendo esta especfica nas questes
de grade amostral, buscar na integrao das variabilidades expressas
pelos diferentes sensores os meios para delinear reas homogneas do
solo, comumente denominadas na AP de Zonas de Manejo (Mana-
gement Zones - MZs), a partir das quais o esquema amostral pode
ser planejado segundo a estrutura de variao das MZs, reduzindo ou
otimizando o nmero de observaes em relao s prticas de grade
amostral de solos.
O conhecimento sobre os atributos de solos caracterizados pelas
diferentes tecnologias de sensores proximais (Tabela 1.1) no recente
(ADAMCHUK et al., 2004) e as abordagens para o delineamento das
MZs variam segundo o tipo de manejo do solo ou da produo que se
pretende implementar. nesta fase de integrao da informao que
as etapas de variografia e de predio espacial por Krigagem permitem
quantificar e representar cartograficamente as variaes dos parmetros
que potencialmente influenciam nas variaes da produtividade, permi-
tindo gerar mapas de atributos em alta resoluo sobre uma grade de
predio comum.
Outras classificaes para um arsenal mais abrangente de sen-
sores so apresentadas por Gebbers (2014), categorizando os equi-
pamentos segundo estratgias de monitoramento como: princpio de
medio (e.g.: mecnicos, qumicos, eletromagnticos, ticos, radioa-
tivos, acsticos e pneumticos); plataforma de operao (e.g.: orbitais,
suborbitais, proximais por contato ou induo, drones e smartphones);
modo de operao (e.g.: contnua, pontual e estacionrio); e parme-
tros de aplicao (e.g.: atributos do solo, produtividade, estgio de
desenvolvimento, pragas, deficincia de nutrientes, estresse hdrico e
identificao de plantas invasoras). Para um maior aprofundamento e
atualizao sobre os tipos de sensores e suas aplicaes especficas,
Gebbers (2014) apresenta uma generosa lista de referncias bibliogr-
ficas e links atualizados.
Em boa parte ainda incipientes, a integrao destas tecnologias
oferece uma nova perspectiva com plataformas multissensores para
o monitoramento intensivo dos fatores de produo. Entretanto, no
atual estgio de desenvolvimento, esta viso integrada depende das

tcnicas da geoestatstica para viabilizar uma anlise multivariada que
considere as caratersticas das distintas distribuies espaciais e suas
incertezas amostrais.
Tabela 1.1. Diferentes tipos de tecnologias em sensores proximais e suas

aplicaes tpicas no monitoramento de atributos de solo.
Atributos do Solo
Carbono Total
Compactao
Profundidade
Salinidade e
Orgnica e
Sodicidade
Nitratos e
Nitrognio
Tipo de Sensor Umidade
Matria
Textura
CTC
pH
Eltrico e
X X X X X X X
Eletromagntico
tico e
X X X X X X
Rediomtrico
Mecnico X X
Acstico e
X X X
Pneumtico
Eletroqumico X X X
Fonte: adaptado de Adamchuk et al. (2004).

Captulo 2
Pr-processamento dos Dados

Clia Regina Grego
2.1 Anlise Exploratria
Como nas tcnicas estatsticas, a geoestatstica baseia-se em um

conceito probabilstico. Por tanto, para o uso apropriado da geoestatstica
necessrio um embasamento terico prvio sobre os fundamentos esta-
tsticos, possibilitando assim que se faa uma anlise estatstica elemen-
tar das variveis quantitativas a serem submetidas anlise variogrfica
e interpolao. Uma anlise de consistncia sobre os resultados da esta-
tstica descritiva fundamental para avaliar se as condies exigidas pelo
formalismo matemtico e algoritmos da geoestatstica so satisfeitas pe-
los dados de entrada. Estes procedimentos bsicos indicam medidas que
sintetizam a informao quantitativa contida no acervo de dados brutos,
permitindo identificar dados discrepantes (i.e.: outliers) e possveis mo-
delos a serem utilizados numa inferncia estatstica. As medidas resumo
caracterizam a tendncia central e a disperso numrica dos valores ob-
servados (e.g.: mximo, mnimo, mdia, mediana, desvio padro, coefi-
ciente de variao) e fazem parte do conjunto de funes bsicas dispon-
veis numa planilha eletrnica, como demostrado neste captulo. Segundo
Grego et al. (2014), a etapa preliminar de anlise exploratria dos dados
de suma importncia e tem o objetivo de identificar previamente a norma-
lidade de distribuio de frequncia das medidas e a variao nos dados.
2.2 Localizao das Observaes
O objetivo deste procedimento ter os dados plotados numa

representao grfica segundo suas coordenadas X e Y (i.e.: coorde-
30
nadas retangulares em metros) para a certificao de que os pontos

observados foram registrados corretamente. O exemplo no Excel utili-
za os pares de coordenadas dos pontos registrados pelo GNSS, numa
operao em modo contnuo das medidas de CEa na profundidade
de 0 a 30 cm. Isto permite verificar se a distribuio espacial dos
pontos observados, base de toda a anlise espacial, est coerente
com a sua ocorrncia dentro da rea monitorada. O arquivo texto a
ser verificado o mesmo arquivo no formato de entrada aceito pelo
Vesper, ou seja, nos formatos texto simples (.txt) ou delimitado por
vrgulas (.csv)..
Conforme ilustrado na Figura 2.1.a, seleciona-se as colunas
com as coordenadas X e Y, nessa ordem. Na guia principal INSE-
RIR da faixa de opes, clicar na seta do cone Inserir Grfico de
Disperso (X, Y) ou de Bolha para ver os diferentes tipos de grficos
disponveis do grupo de comandos Grficos. Selecionar a opo
Disperso (Figura 2.1.b). Alternativamente, o mesmo resultado
pode ser obtido ao se clicar na seta Ver todos os Grficos do grupo
de comandos Grficos (Figura 2.1.c). Na janela Inserir Grfico,
selecionar a aba Todos os Grficos, selecionar o cone Disperso,
nas opes de comando do menu XY (Disperso), e confirmar OK
(Figura 2.1.c).
O resultado um grfico que simula um mapa onde todos os
pontos do arquivo de entrada so plotados em relao s coordenadas
retangulares em metros (Figura 2.2). Esta visualizao grfica simula
um mapa dos pontos observados, sem ser fiel s propores geomtri-
cas da projeo cartogrfica considerada. Entretanto, a figura plotada
nos permite validar a coerncia dos dados de entrada em relao ao
posicionamento cartogrfico das coordenadas retangulares em metros,
onde, pontos que venham ocorrer fora da rea de estudo podero ser
desconsiderados, evitando distores durante os subsequentes proce-
dimentos de interpolao.
Figura 2.1. Opes de interface (em b e c) disponveis na caixa de opes

Grficos, na aba INSERIR (em a), para gerar o grfico de disperso com
a localizao das observaes em coordenadas retangulares.
32
Figura 2.2. Resultado do grfico de disperso ilustrando a localizao dos

pontos observados em coordenadas retangulares.
2.3 Estatstica Descritiva
A anlise exploratria dos valores absolutos tem o objetivo de

identificar os dados discrepantes, a normalidade de distribuio de
frequncia e a variao nos dados.
Para viabilizar os procedimentos da estatstica descritiva dos da-
dos da varivel CEa no Excel, primeiro necessrio ativar as funes
das ferramentas de anlise de dados, que a princpio deve aparecer no
grupo Suplementos de Aplicativos Inativos. Os seguintes passos permi-
tiro habilitar o suplemento Ferramentas de Anlise:
1. Na aba Arquivo, selecionar: Opes que ir abrir a janela:
Opes do Excel (Figura 2.3);
2. Nesta janela clicar na opo Suplementos, que permitir
visualizar as opes de gerenciamento das funes suplementares
do Excel nesta aba;
3. Ainda na aba Suplementos, selecionar Suplementos do Excel na

barra de rolagem da opo Gerenciar e clicar no boto IR para
abrir a sub-janela Suplementos;
4. Das opes listadas em Suplementos Disponveis na sub-janela
Suplementos (Figura 2.4) e selecionar Ferramentas de Anlise
e clicar OK.
Aps estes passos, o suplemento Ferramentas de Anlise
estar habilitado e dever aparecer no grupo Suplementos de Apli-
cativos Ativos na aba Suplementos na janela Opes do Excel,
condio que pode ser confirmada repetindo-se os passos 1 e 2 acima
(Figura 2.5).
Figura 2.3. Ativao de Suplementos do Excel na janela Opes do Excel

para habilitar as funes de estatstica descritiva dos dados.
34
Figura 2.4. Sub-janela de Suplementos Disponveis para ativar a opo

de Ferramentas de Anlise que habilitam as funes da estatstica
descritiva dos dados.
Figura 2.5. Consulta na aba Suplementos para confirmar a ativao das

funes de Ferramentas de Anlise listada em Suplementos de Aplicativos
Ativos.
Uma vez ativado, o suplemento de anlise de dados aparecer

na caixa de opes Anlise da guia principal Dados. Para proce-
der a anlise da distribuio da varivel CEa, os seguintes passos so
necessrios:
1. Na guia Dados, clicar na opo Anlise de Dados da caixa

Anlise para abrir a sub-janela Anlise de Dados (Figura 2.6);
2. Na barra de rolagem de Ferramentas de Anlise da sub-janela
Anlise de Dados, selecionar a opo Estatstica Descritiva e
clicar em OK;
3. No campo Intervalo de Entrada, das opes de Entrada, na
sub-janela Estatstica Descritiva, selecionar para o clculo a
coluna, ou intervalo de clulas, contendo os dados da varivel
analisada, neste caso CEa (Figura 2.7);
4. No campo Intervalo de Sada, das opes de Opes de
Sada, na sub-janela Estatstica Descritiva, selecionar o local
para sada dos resultados;
5. Ainda em Opes de Sada, clicar em Resumo Estatstico e
depois em OK.
Os parmetros calculados so: mdia, mediana, moda, desvio
padro, varincia, curtose, assimetria, valor mnimo, valor mximo e
a contagem de pontos. O coeficiente de variao (CV) pode ser adicio-
nado a este resumo de informaes, sendo calculado pela Equao 1.
(1)
Os coeficientes de assimetria e curtose expressam a normalidade

de frequncia dos dados e valores prximos de zero indicam distribui-
o de frequncia normal nos dados (WEBSTER; OLIVER, 2007). A
distribuio de frequncia dos dados pode ser visualizada por meio do
histograma que indica se uma distribuio aproxima-se de uma funo
normal ou no.
36
Figura 2.6. Seleo da funo Estatstica Descritiva na sub-janela de

Anlise de Dados ativada na caixa de opes Anlise da guia principal
Dados.
Figura 2.7. Seleo de opes de entrada e sada para o clculo do resumo

descritivo na sub-janela de Estatstica Descritiva.
2.4 Gerao do Histograma
O histograma uma representao grfica da distribuio de fre-

quncias das medies, em que o eixo das abcissas (X) corresponde ao
intervalo de classe e o eixo das ordenadas (Y) respectiva frequncia.
A seguir, apresentamos um roteiro para construo do histogra-
ma no aplicativo Excel:
1. Aps calcular a estatstica descritiva, na guia Dados, clicar na
opo Anlise de Dados da caixa Anlise para abrir a sub-
janela Anlise de Dados;
2. Na barra de rolagem de Ferramentas de Anlise da sub-janela
Anlise de Dados, selecionar a opo Histograma e clicar em
OK (Figura 2.8);
3. Com a sub-janela Histograma aberta, observar nos resultados
da estatstica descritiva, como os valores mximos e mnimos
(Figura 2.9);
4. Criar um espao de clulas e estabelecer um intervalo constante
de blocos, entre o valor mximo e mnimo. No exemplo da Figura
2.9, sendo: mnimo = 0,2 e mximo = 17,5 com um intervalo de
blocos variando de 2,88;
5. No campo Intervalo de Entrada, das opes de Entrada, na
sub-janela Histograma, selecionar para o clculo a coluna, ou
intervalo de clulas, contendo os dados da varivel analisada,
neste caso CEa (Figura 2.9);
6. No campo Intervalo do Bloco, das opes de Entrada, na sub-
janela Histograma, selecionar para o clculo as clulas contendo
o intervalo de blocos (Figura 2.9) definido no passo quatro (4);
7. No campo Intervalo de Sada, das Opes de Sada, na sub-
janela Histograma, indicar o local na planilha para sada dos
resultados; e
8. Selecionar a opo Resultado no Grfico, das Opes de
Sada, na sub-janela Histograma e clicar em OK.
38
Figura 2.8. Seleo da funo Histograma entre as opes de Ferramentas

de Anlise na sub-janela de Anlise de Dados.
Figura 2.9. Seleo de clulas de Entrada na sub-janela de Histograma,

para o Intervalo de bloco e o Intervalo de entrada com valores da CEa, e de
clulas de Sada para o Intervalo de sada com o clculo das frequncias
e a construo do histograma.
2.5 Dados Georreferenciados
Os acervos de dados georreferenciados podem ser visualizados,

classificados e analisados conforme sua localizao espacial e os va-
lores dos pontos de vizinhana. Para tanto necessrio utilizar um
SIG para a visualizao dos dados de entrada em concordncia com
o sistema de coordenadas cartogrficas nos quais eles foram gerados
ou projetados. Neste manual optamos por utilizar como ferramental de
SIG o software QGIS, o qual apresentado em mais detalhe no stimo
captulo. O QGIS um SIG livre e amigvel, derivado de um projeto
oficial da Open Source Geospatial Foundation (OSGeo).
A visualizao espacial dos dados de entrada permite obter uma
primeira impresso da distribuio no espao e identificar possveis
concentraes de valores extremos em determinado local da rea de
estudo. Este um fator importante a ser considerado na anlise esta-
tstica, meramente numrica, de dados discrepantes. Pois no caso de
dados georreferenciados, valores extremos ou desagrupados, que fi-
quem fora do intervalo interquartil, podem no significar uma ocorrn-
cia errnea, sendo o seu valor aparentemente discrepante uma medida
real e correta justificada pelas caractersticas da sua localizao. Casos
bastante comuns no monitoramento intensivo da lavoura por efeitos de
borda do trafego operacional, sombreamento de plantas, infiltraes
ou concentraes localizadas de insumos e corretivos.
A preciso cartogrfica s pode ser observada depois dos dados
terem sido importados em um ambiente SIG. O qual apresenta funes
para definio de sistemas de coordenadas e transformaes entre pro-
jees cartogrficas. A informao apresentada numa escala carto-
grfica e pode gerar mapas com diferentes legendas de classificao.
Como ilustrado na Figura 2.10, a visualizao dos dados de entrada
por intermdio do grfico de disperso, como apresentado no incio
deste captulo (i.e.: Item 2.2), apenas uma representao de refern-
cia e serve para uma crtica espacial preliminar quanto localizao
dos pontos observados, uma vez contendo distores geomtricas em
sua representao. O que difere da visualizao cartograficamente pre-
cisa em ambiente SIG.
40
(a) (b)
Figura 2.10. Diferenas na visualizao espacial dos pontos georreferenciados
em dois ambientes de software: a) mapa de pontos com preciso cartogrfica
em SIG; e b) representao dos pontos num grfico de disperso plotado em
planilha eletrnica.
Captulo 3
Conceitos Bsicos da
Geoestatstica
Clia Regina Grego
3.1 Origem e Conceitos
Os primeiros relatos do uso da geoestatstica datam de 1911,

com W.B. Mercer e A. D. Hall que examinaram a variao da produo
de culturas no espao de pequenos lotes. Mas somente na dcada de
60 a geoestatstica foi consolidada. Na rea de minerao, em 1951,
Daniel G. Krige, engenheiro de minas de ouro na frica do Sul, obser-
vou ganhos na preciso das estimativas com dados de concentrao
do mineral quando considerou as amostras vizinhas (KRIGE, 1951).
Desta forma, a autocorrelao espacial tornou-se prtica nas minas
de ouro, considerando que para encontrar sentido nas variaes das
concentraes de ouro, era preciso levar em conta as distncias entre
as amostras. Na evoluo das tcnicas, em 1963, Matheron, um ma-
temtico da escola francesa, teve a mesma preocupao de melhorar
as estimativas de ocorrncia de minrios a partir de dados autocor-
relacionados, derivando posteriormente solues para o problema de
estimativa a partir da teoria das variveis regionalizadas (MATHERON,
1965; MATHERON, 1971). Conjunto de tcnicas este que caracteriza
um ramo especfico da estatstica espacial, denominado de geoestats-
tica (WEBSTER; OLIVER, 2007).
A geoestatstica parte do princpio que quanto mais prximas as
amostras, mais parecidas entre si elas se apresentaram. Segundo Soa-
res (2006), abrange um conjunto de mtodos, tcnicas e instrumentos
estatsticos que caracterizam os fenmenos espaciais naturais e tem
42
por objetivo a caracterizao da disperso espacial e espao-temporal

das grandezas que definem a quantidade e a qualidade de recursos
naturais e outros fenmenos em que os atributos manifestem certa es-
trutura no espao e ou no tempo. Neste contexto, destaca-se o mtodo
de interpolao por krigagem, no qual se pode estimar o valor de uma
dada propriedade para um local onde no foi medida.
Com este mtodo, pode-se estimar o valor de uma dada proprie-
dade em local no observado, utilizando uma funo de correlao
espacial entre os dados, sem vis e com varincia mnima (VIEIRA,
2000). A interpolao por krigagem, ou simplesmente krigagem, cujo
nome foi dado em homenagem a Daniel G. Krige, consiste em ponde-
rar os vizinhos mais prximos do ponto a ser estimado, obedecendo os
critrios de no tendenciosidade, que significa que em mdia a dife-
rena entre valores estimados e observados para o mesmo ponto dever
ser nula e ter mnima varincia, ou seja, que os estimadores possuam
a menor varincia dentre todos os estimadores no tendenciosos.
Fazendo uma comparao entre a estatstica clssica e a geoes-
tatstica, podemos dizer necessita da normalidade e independncia
espacial entre os dados enquanto que a geoestatstica requer a cor-
relao e dependncia espacial. A estatstica clssica assume que os
pontos de observao so independentes, o que, na maioria dos casos,
no acontece nos estudos envolvendo as cincias da terra (SRIVASTA-
VA, 1996).
A intensificao do uso da geoestatstica deveu-se ao fato de
assumir-se que a distribuio espacial de pontos de observao apre-
sente correlao, ou seja, que exista dependncia espacial. Esta pres-
suposio no verdadeira quando se assume que os pontos de obser-
vao so independentes, o que, na maioria dos casos, no acontece
nos estudos envolvendo as cincias da terra (SRIVASTAVA, 1996;
WEBSTER, 1985). Srivastava (1996) comenta que a geoestatstica
incorpora, alm da anlise da distribuio estatstica dos dados co-
letados, tambm as relaes espaciais entre estes, na forma de cor-
relao entre os pontos amostrados, pois de acordo com Trangmar et
al. (1985), amostras mais prximas, dentro de uma mesma mancha
de solo, so mais parecidas do que as mais distantes. Por essas dife-
renas, segundo Goovaerts (1997), os problemas da cincia da terra
so efetivamente analisados atualmente por tcnicas da geoestatstica,
quando a interpretao da distribuio espacial dos dados tem forte

impacto sobre os resultados e sobre a tomada de deciso.
Com a anlise geoestatstica possvel extrair organizar os da-
dos disponveis numa relao espacial dos mesmos de acordo com a
semelhana entre vizinhos georreferenciados. Suas tcnicas so bas-
tante consolidadas em estudos de solos, caracterizando a dependncia
espacial de diversos atributos fsicos e qumicos (ORTIZ, 2002; VIEI-
RA et al., 1981; WALTER et al., 2001) independentemente do tama-
nho da rea amostrada (GOOVAERTS, 1997; GREGO; VIEIRA, 2005;
WARRICK; NIELSEN, 1980). Estas anlises apresentam um potencial
de aplicao em diversas outras questes envolvendo cincias da terra
e do ambiente (SOARES, 2006). Portanto, segundo Molin (2012),
traz grande contribuio para a AP, principalmente na definio de
unidades de manejo a partir de mapas de produtividade. Desta forma,
a AP que prope o manejo aplicado de acordo com a variabilidade
local, seja com foco na produtividade da cultura ou da fertilidade do
solo, pode em muito se beneficiar destas tcnicas para obter vantagens
econmicas e ambientais na sua aplicao.
A geoestatstica um modelo probabilstico que baseia-se na
aleatoriedade dos dados para avaliar a correlao espacial; entre o
valor de uma varivel em local conhecido e o valor da mesma varivel
localizada em sua vizinhana (HUIJBREGTS, 1975). Na anlise da
autocorrelao espacial, a varivel que apresenta um certo grau de
correlao na distribuio espacial de seus valores pode ser considera-
da regionalizada (LIMA, 2006). Caracterstica esta comum a diversas
variveis do meio fsico. Este comportamento dos dados est funda-
mentado em modelos probabilsticos que definem a chamada teoria
das variveis regionalizadas (MATHERON, 1965; STURARO, 1994).
A funo aleatria considerada estacionria quando se assu-
me que o seu valor mdio esperado constante em qualquer direo
(STURARO, 1994). A hiptese de estacionaridade considera que a
varivel deve ser estatisticamente homognea e isotrpica, permitindo
que se faam inferncias estatsticas (VIEIRA et al., 1983). Como na
prtica esta hiptese bsica difcil de ser verificada, trabalha-se alter-
nativamente com as hipteses de segunda ordem e a hiptese intrnse-
ca conforme apresentadas em Pannatier (1996) e Vieira et al. (1983).
44
Os mtodos so geralmente divididos em duas etapas meto-

dolgicas: a Anlise Variogrfica e Modelos de Estimao. A anlise
variogrfica est estruturada no conceito de variveis regionalizadas.
Uma varivel regionalizada uma varivel distribuda no espao (ou
no tempo) cujos valores so considerados como realizaes de uma
funo aleatria (i.e.: processo aleatrio, campo aleatrio ou processo
estocstico), no sentido de que os valores das medies feitas podem
variar consideravelmente entre si dentro de uma dada distncia. En-
tretanto, espera-se que, pares de pontos separados por distncias me-
nores do que uma determinada amplitude variogrfica sejam espacial-
mente correlacionadas (i.e.: tenham valores mais prximos). Por outro
lado, pares mais distantes do que esta amplitude no apresentam uma
dependncia espacial (LIMA, 2006).
Aps a anlise variogrfica e verificada a possibilidade de esti-
mao por tcnicas geoestatsticas, pode-se proceder a uma estimao
de valores em locais no amostrados. Constitui-se essa, numa tarefa
importantssima dos estudos ambientais, principalmente no que diz
respeito a espacializao e representao cartogrfica de diversos fe-
nmenos de interesse. A krigagem constitui-se em um mtodo de esti-
mao por mdias mveis e tem como caracterstica particular, que o
diferencia e o torna superior aos demais mtodos de estimao, o fato
de permitir o clculo do erro associado s estimativas, chamado de
varincia de estimao.
3.2 Anlise do Variograma
O variograma a representao grfica da dependncia espacial

obtido pela varincia versus a distncia. Segundo Vieira et al. (2008),
a grandeza mais aproximada para decidir se a dependncia espacial
existe ou no. Se a dependncia espacial existir, haver um cresci-
mento na semivarincia at uma determinada distncia, a partir da
qual o variograma se estabiliza. Caso contrrio, se o variograma no
apresentar nenhum crescimento com a distncia, as amostras so in-
dependentes e ocorre o efeito de aleatoriedade, comumente chamado
de efeito pepita puro.
A ocorrncia da dependncia espacial expressa no variograma
segue a hiptese bsica na qual dados da vizinhana so mais pareci-
dos do que dados distantes. Em termos simples, podemos dizer que o

variograma um medidor do grau de semelhana entre vizinhos. Como
brevemente discutido acima, os variogramas so construdos partindo
das pressuposies de estacionaridade da hiptese intrnseca e clculo
da semivarincia (h) dada pela Equao 2:
(2)
Onde N(h) o nmero de pares dos valores medidos Z(xi),

Z(xi+h), separados por um vetor h. Segundo Vieira (2000), a caracteri-
zao da dependncia espacial no variograma (Figura 3.1) d-se a partir
da semivarincia na distncia zero (i.e. no valor do efeito pepita C0), de
forma que ocorra um aumento gradual de (h), proporcional ao aumen-
to da distncia h, at um valor mximo (i.e.: intervalo que representa
uma varincia estruturada - C1), ponto a partir do qual o variograma se
estabiliza em um patamar (C0 + C1) que correspondente diretamente
distncia limite de dependncia espacial (i.e.: o valor de alcance - a).
Figura 3.1. Identificao dos parmetros de ajuste do variograma de CEa,

indicando uma autocorrelao espacial entre valores da varivel distantes at
180 m.
O grfico do variograma (i.e.: varincia (h) versus distncia h)

representa uma srie de pontos discretizados por um espaamento
especfico e recursivo no eixo X, usualmente denominado de lag (termo
em analogia a passo ou pulo), plotando os valores obtidos no clculo
46
da semivarincia mdia de todos os pares de observaes separados

pela mesma distncia. Na Figura 3.1 podemos observar um lag de
aproximadamente 30 m. Este, representa o modelo do variograma em-
prico, tambm conhecido como experimental, que calculado para os
valores obtidos nas observaes de campo e corresponde ao valor da
distncia na qual uma funo contnua, denominada de modelo do va-
riograma terico, dever ser ajustada. Para o clculo da dependncia
espacial, os modelos dos variogramas empricos devem ser ajustados
pelo modelo matemtico de melhor correspondncia (i.e. modelos te-
ricos), para que se possa obter os valores dos parmetros de ajuste do
variograma. Estes parmetros so:
Amplitude variogrfica, alcance ou range (notao: a):
Distncia na qual a mxima variabilidade atingida e que
corresponde ao aumento da distncia entre as amostras;
Patamar ou sill (notao: C1): Representa o nvel de variabilidade
onde o variograma se estabiliza. Corresponde diferena entre o
ponto de maior correlao ou a origem do variograma e o ponto que
teoricamente representa a varincia populacional e a variabilidade
se estabiliza;
Efeito pepita ou nugget effect (notao: C0): Descontinuidade
na origem do variograma, correspondendo diferena entre as
amostras de maior proximidade e gerada por microrregionalizaes,
erros de amostragens ou erros de medidas.
Vrias formulaes e algoritmos utilizando parmetros do vario-
grama visam classificar e quantificar a estrutura espacial da variao
(DIGGLE; RIBEIRO JUNIOR, 2007; OLIVEIRA et al., 2007; PRINGLE
et al., 2003; TISSEYRE; MCBRATNEY, 2007). Garcia (1988) consi-
dera que uma relao entre os parmetros C0 e C1 expressa o grau
de aleatoriedade do fenmeno regionalizado, e pode ser avaliada por
E, que representa o efeito pepita relativo. Garcia (1988) categoriza
o efeito de pepita relativo da seguinte forma: a) E < 0,15 - compo-
nente aleatria pequena; b) 0,15 < E < 0,30 - componente aleatria
significativa; e c) E > 0,30 - componente aleatria muito significativa.
Outros modelos tambm considerando razes entre estes parmetros
so usados para classificar a estrutura espacial da variao em: forte,
mdia e fraca (CAMBARDELLA et al., 1994; ZIMBACK, 2001).
Deve-se salientar que o ajuste do variograma um dos aspectos

mais importantes da anlise geoestatstica. O mtodo de tentativa e
erro, aliado ao exame de indicadores de melhor ajuste. Alguns coefi-
cientes, como o coeficiente de correo, a raiz quadrada do erro mdio
(RMSE) e o ndice com o de Akaike (IAC) podem auxiliar na validao
do modelo escolhido e dos parmetros para o ajuste do variograma.
O ajuste por mtodos automticos, embora possa ser usado, no o
mais adequado para acervos com baixa densidade amostral. Segun-
do Vieira et al. (2010), uma poderosa ferramenta de validao o
mtodo Jack-knifing que calcula os parmetros do erro absoluto e
reduzido da estimativa, tornando-a valiosa. Alm disso indica qual a
vizinhana ideal para a estimativa.
McBratney e Webster (1986) indicam que os modelos mais ade-
quados para os mais variados tipos de situaes, na maioria dos ca-
sos, sero esfrico, exponencial ou gaussiano. A Figura 3.2 mostra o
comportamento destes trs modelos. Vieira et al. (2010) sugerem que
o usurio escolha um destes trs modelos segundo o comportamento
de seus variogramas para pequenas distncias (menor do que o alcan-
ce), faa o ajuste usando algum mtodo de otimizao dos parmetros
C0 , C1 e a, e submeta este modelo ao processo de validao cruza-
da pelo mtodo Jack-knifing. Esta tcnica pode ser utilizada para:
avaliar a qualidade do mtodo de estimao; definir o melhor nmero
de vizinhos do ponto sendo estimado; ou avaliar o ajuste variograma
terico aos dados do variograma emprico (SOUZA, 1992). Embora
trabalhoso, o mtodo ir eliminar qualquer possibilidade de ajuste ina-
dequado, porque seus resultados indicaro se o ajuste est dentro dos
padres estatsticos requisitados.
Os modelos tericos para ajuste do variograma mais consagra-
dos em aplicaes envolvendo as cincias da terra so apresentados
a seguir:
Modelo Exponencial:
O modelo exponencial o que representa processos que tem a
maior perda de semelhana com a distncia. Dados de precipitao
pluviomtrica normalmente so ajustados por este modelo. Atinge o
patamar exponencialmente, por isso possui apenas uma estrutura onde
d a mxima distncia na qual o variograma definido. O parmetro a
48
determinado visualmente como a distncia aps a qual o variograma

se estabiliza. Este modelo determinado pela Equao 3 como segue:
(3)
Figura 3.2. Forma grfica dos trs modelos tericos mais utilizados no ajuste
de variogramas tpicos de variveis de processos geomorfolgicos.
Modelo Esfrico:
O modelo esfrico possui duas estruturas, uma com a distncia
entre zero e o alcance, e outra maior do que o alcance, onde atinge
o patamar. O modelo esfrico linear at aproximadamente 1/3 do
alcance e pode ser calculado pela Equao 4.
(4)
Onde C0, C1 e a so os parmetros de ajuste, h a distncia e

(h) o valor da semivarincia para o modelo de ajuste.
Modelo Gaussiano:
O modelo gaussiano inicia com uma queda nos primeiros va-
lores de semivarincia para as menores distncias, e aps este incio
h um crescimento da semivarincia at o alcance, onde atingido o
patamar. Tem um crescimento bastante lento no incio, at atingir um
ponto de inflexo antes do alcance. Os dados mais comuns de ocor-
rncia de modelo gaussiano so cotas topogrficas. Ele definido pela
Equao 5, representando os processos naturais mais contnuos que
se tem conhecimento.
(5)
3.3 Exemplo de Ajuste Manual
A ttulo de auxiliar na compreenso do ajuste do variograma,

sero detalhados a seguir os passos do processo de ajuste do modelo
numa planilha eletrnica de clculo (Figura 3.3):
1. Calcular a semivarincia () do conjunto de dados da varivel no
Vesper;
2. Levar arquivo Semivar.txt para planilha de clculo, por exemplo
no Excel;
3. Dispor as 3 colunas na seguinte ordem: Nmero de pares
Distncia - Semivarincia da varivel em estudo;
4. Para que a linha do ajuste inicie na distncia 0 (zero), inserir uma
linha em branco antes da primeira distncia e adicionar o valor 0
(zero) para a primeira linha da coluna;
5. Plotar um grfico de disperso da distncia versus a semivarincia;
6. Em campos vazios escolher adicionando manualmente os valores
correspondentes aos parmetros efeito pepita (C0), varincia
estrutural (C1) e alcance (a);
Figura 3.3. Resultado do procedimento para gerao do variograma emprico

e ajuste do modelo terico em uma planilha eletrnica.
7. Inserir numa coluna a frmula do ajuste e calcular para todas as

distncias o modelo que melhor represente os pontos do grfico
50
do variograma conforme descritos anteriormente (i.e.: Item 3.1) os

modelos para esfrico, exponencial ou gaussiano;
8. Inserir a coluna de resultados do clculo do modelo de ajuste no
grfico do variograma e formatar para linha. O variograma ser
ajustado ao modelo escolhido;
9. O Grau de Dependncia (GD) espacial (se fraco <25%, moderado
>25% at 75%, forte > 75%) pode ser calculado pela Equao
6 definida por Zimback (2001):
(6)
Para validar o ajuste do variograma, ou seja, para verificar se os
parmetros de ajuste e o modelo de ajuste escolhidos foram adequados,
podem ser calculados alguns coeficientes como coeficiente de correla-
o (r2) e raiz quadrada do erro mdio (RMSE), sendo que, quanto mais
prximo do 1 o r2 for, e quanto menor o valor de RMSE, melhor o ajuste.
Para isso necessrio definir as respectivas equaes como segue:
1. Adicionar colunas para calcular a Soma de Quadrado do Resduo
(SQR). O SQR mede a soma dos quadrados dos resduos,
exclusivamente relacionados ao erro aleatrio medida dentro dos
grupos nas diferentes distncias (Equao 7);
(7)
2. Adicionar colunas para calcular a Soma de Quadrado Total (SQT).
O SQT mede a variao geral de todas as observaes (Equao 8);
(8)
3. Adicionar colunas para calcular a Soma de Quadrado dos Desvios
Ponderados (SQDP). O SQDP a soma dos quadrados dos desvios
de cada dado em relao mdia do conjunto (Equao 9);
(9)
4. Adicionar colunas para calcular o Coeficiente de Determinao (r2).

O r definido como a relao que mede a proporo da variao
total da varivel dependente que explicada pela variao da
varivel independente (Equao 10);
(10)
5. Adicionar colunas para calcular a Raiz Quadrada do Erro Quadrtico

Mdio (RMSE). O RMSE a medida da magnitude mdia dos erros
estimados (Equao 11);
(11)
Na Figura 3.4 so apresentados os ajustes dos modelos tericos

(i.e.: gaussiano, esfrico e exponencial) ao modelo emprico dos dados
de CEa, juntamente com os respectivos clculos de r2, RMSE e GD (%).
Figura 3.4. Ajuste de trs modelos tericos ao variograma emprico de CEa,

destacando os valores de melhor ajuste de cada modelo entre parnteses,
sendo: (C0; C1; a).
52
3.4 Caractersticas da Dependncia Espacial
Caractersticas especficas da dependncia espacial pressupem

o uso de aplicaes mais avanadas como processamento em lote,
retirada de tendncias, anlise de anisotropia e cokrigagem no esto
no escopo deste livro, bem como no so diretamente disponveis na
interface do Vesper. Estas anlises exigem um nvel mais avanado
de conceitos da geoestatstica e so melhor considerados em outros
aplicativos disponveis. Entretanto, possvel considerar estes tipos
de anlise no Vesper atravs do uso de linhas de comando no arquivo
de Controle (i.e.: Control.txt) como ilustrado na figura abaixo. Este
arquivo pode ser utilizado tanto para krigagens repetitivas e sequen-
ciais, por exemplo, para um acervo de dados temporais de um talho
ou para conjuntos de dados espacialmente contguos de uma mesma
varivel.
Para avaliar o comportamento da variabilidade espacial de uma
varivel, os variogramas so elaborados experimentalmente e subme-
tidos anlise de suas caractersticas estruturais. Huijbregts (1975)
ilustra as propriedades estruturais do variograma como sendo: suporte,
zona de influncia, estruturas superpostas, anisotropia, continuidade
espacial ou comportamento da varivel prxima a origem, corregiona-
lizao. A anlise destas propriedades exige funes avanadas que
no esto disponveis no Vesper e, portanto, no tero uma apresen-
tao aprofundada. Estas funes envolvem conceitos fundamentais
para uma viso mais abrangente do uso das tcnicas, e por isso uma
breve introduo feita a seguir sem entrar no mrito das respectivas
formulaes matemticas.
Anisotropia
A anisotropia uma caracterstica comum nos processos de
disperso de elementos dos recursos naturais. O termo indica que
a variabilidade ou distribuio espacial de tais elementos ocorre
mais intensamente numa direo e menos intensamente em outra
direo, no apresentando uma dependncia espacial radialmente
homognea. Considerando o mapeamento de teores de potssio,
improvvel que esta propriedade se disperse igualmente em todas
as direes. A estatstica clssica limitada para tratar apropria-
damente os efeitos anisotrpicos, pois no considera a estrutura de

autocorrelao espacial da propriedade. Modelos mais adequados
para este objetivo so propostos na geoestatstica (CAMARGO et
al., 2004).
Aplicaes da anisotropia tratam a dependncia espacial de
acordo com variao numa determinada orientao. Ou seja, so mo-
delos ajustados a um variograma direcional. No caso da variao iso-
trpica (i.e.: omnidirecional), o variograma amostral depende somente
da distncia de separao, considerando o mesmo comportamento da
variabilidade em todas as direes.
A representao isotrpica caracteriza uma distribuio espacial
que pode ser modelada por um nico modelo terico, ou seja, o ajuste
do variograma ser o mesmo para qualquer direo analisada (Figura
3.5.a). Em contraposto, se os variogramas no so iguais para todas
as direes, a distribuio denominada anisotrpica. Se a anisotro-
pia observada, e ainda reflete um mesmo patamar com diferentes
alcances para o mesmo modelo, ento ela pode ainda ser denominada
de anisotropia geomtrica (Figura 3.5.b). Os modelos de anisotropia
buscam dependncias espaciais que variam conforme a orientao
atravs da observao dos variogramas obtidos para pares de pontos
alinhados em diferentes direes. As convenes direcionais usadas na
geoestatstica so ilustradas na Figuras 3.6.
54
(a)
(b)
Figura 3.5. Comportamentos da autocorrelao espacial considerando

diferentes direes: a) isotrpico, com ajuste nico para todas as direes; e
b) anisotrpico geomtrico, com ajustes em diferentes alcances para direes
distintas.
Fonte: adaptado de Pereira et al. (2010).
Figura 3.6. Convenes direcionais de anisotropia usadas na geoestatstica.

Tendncia
Para a obteno de um ajuste preciso do variograma, supos-
to que a varivel regionalizada tenha um comportamento fracamente
estacionrio, onde os valores esperados, assim como sua covarincia
espacial, sejam os mesmos dentro de uma determinada rea. Nem
sempre o comportamento espacial de uma varivel tem a caracters-
tica estacionria, onde a mdia permanece constante. Quando isto
no ocorre, a varivel apresenta uma deriva, uma tendncia regional
(i.e.: trend ou drift). O que significa que o valor mdio da variao
56
esperada dentro de uma rea de vizinhana varia sistematicamente. A

Figura 3.7 demonstra que o conceito de estacionaridade est direta-
mente relacionado com a escala das observaes. Se considerarmos
o trao como um todo, ento as hipteses estacionrias de segunda
ordem sero observadas. Entretanto, o monitoramento intensivo entre
os pontos C e D estar refletindo uma tendncia no estacionria bem
definida. J no caso do intervalo entre A e B existe a estacionaridade
de segunda ordem na mesma escala considerada na seo CD.
A B
Figura 3.7. Grfico da relao entre os conceitos de estacionaridade e escala

amostral das observaes, sendo um processo estacionrio de A a B e no
estacionrio de C a D.
Em aplicaes com ocorrncias da no estacionaridade, deve-se

considerar a remoo de tendncias nos valores das variveis (CA-
MARGO et al., 2004), como no caso de distribuies no normais que
so comuns para atributos do solo. Nestes casos, formulaes numri-
cas aplicadas aos valores das variveis possibilitam transformar distri-
buies no normais em distribuies aproximadamente normais (e.g.:
funes logartmicas e de raiz quadrada). Outro tipo de correo de
tendncias pode ser aplicado quando a no estacionaridade da mdia
observada. Nestes casos, a tendncia pode ser removida em funo
das coordenadas (i.e.: X e Y), ajustando-se uma equao polinomial de
ordem n pelo mtodo dos mnimos quadrados, onde, posteriormen-
te, o resduo servir para o ajuste do variograma da varivel em estudo
(LANDIM; CORSI, 2001).
Camargo et al. (2004) sugerem que a variao espacial de uma

varivel regionalizada pode ser expressa pela soma de trs componen-
tes: a) um rudo aleatrio ou erro residual; b) um componente aleatrio
espacialmente correlacionado; e c) um componente estrutural correla-
cionado e associado a um valor mdio ou a uma tendncia constantes.
Estes comportamentos so observados na forma geral de variogramas
tpicos (Figura 3.8) que indicam estas estruturas de variao espacial,
respectivamente sendo: a) variogramas aleatrios (i.e.: efeito pepita
puro), onde no se observa uma covarincia espacial entre os valores
e a geoestatstica no se aplica (Figura 3.8.a); b) variogramas ideais,
onde se observa um patamar bem definido demostrando um processo
estacionrio de segunda ordem (Figura 3.8.b); e c) variogramas com
tendncia, sem um patamar claro que pode indicar um processo no
estacionrio (Figura 3.8.c).
(a) (b) (c)
Figura 3.8. Variogramas tpicos dos trs principais componentes na estrutura

de variao de uma varivel regionalizada: a) efeito pepita puro; b) componente
aleatrio espacialmente correlacionado; e c) componente correlacionado e
associado a uma tendncia.
3.5 Interpolao por Krigagem
A krigagem um mtodo de estimao geoestatstica com deno-

minao sugerida por Matheron em homenagem aos trabalhos pionei-
ros de Daniel Krige, ao introduzir o uso de mdias mveis para evitar
a superestimao sistemtica de reservas em minerao. (SOARES,
2006). O objetivo da krigagem estimar valores para qualquer local
no observado. Considera uma estimativa sem tendncia, com varin-
cia mnima e onde a mdia no deve superestimar ou subestimar va-
lores, minimizando assim a incerteza da estimativa. O mtodo foi con-
cebido sob a hiptese de que a varivel regionalizada resultava de um
58
processo estocstico estacionrio de segunda ordem, dando origem as

krigagens denominadas simples e ordinria. A krigagem simples consi-
dera uma mdia conhecida, sendo esta constante em todo o domnio,
enquanto a krigagem ordinria assume uma mdia constante, ainda
que desconhecida. A krigagem calcula um valor no ponto central de
cada clula da grade de interpolao. Este valor estimado est condi-
cionado a estrutura espacial da varivel observada (variograma emp-
rico) e aos parmetros da funo de correlao espacial (variograma
terico) ajustada para estes dados.
Segundo Vieira (2000), existem interpoladores que no consi-
deram a dependncia espacial, como o inverso do quadrado da dis-
tncia, mdia mvel ponderada e outros que interpolam por meio de
ajustes de polinmios bidimensionais. Entretanto, estes interpoladores
no consideram a estrutura da variao espacial dos valores medidos
revelado pelo variograma e, portanto, no determinam com exatido
a variao dos dados interpolados. Na krigagem, o procedimento
semelhante ao de interpolao por mdia mvel ponderada, exceto
que os pesos associados aos vizinhos mais prximos so determinados
pelo ajuste do variograma emprico.
3.6 Tipos de Krigagem
A interpolao por krigagem uma tcnica que deriva diferentes

mtodos de estimao, incluindo: krigagem simples, krigagem ordin-
ria, krigagem universal, krigagem disjuntiva e cokrigagem; entre outras
de carter no lineares como: krigagem indicativa e krigagem fractal
(CAMARGO, 1998; SANTOS, 2010). Estas variaes do mtodo es-
tendem ou adaptam os algoritmos bsicos que no se aplicavam a
todas as estruturas de variao espacial. Aplicam-se em funo de
processos especficos como: estacionrios (e.g.: krigagem simples e
ordinria), no estacionrios (e.g.: krigagem universal e funes in-
trnsecas) e multivariados (e.g.: cokrigagem). Ainda que o Vesper con-
sidere apenas a krigagem ordinria, um resumo dos mtodos mais
comumente utilizados so apresentados.
Krigagem Ordinria
A krigagem ordinria um mtodo de estimao linear para uma
varivel regionalizada que satisfaa a hiptese intrnseca. O mtodo
definido por um algoritmo que considera que os valores de uma
varivel regionalizada apresentam uma mdia constante, porm des-
conhecida. Destina-se a calcular ponderadores timos, que minimizem
a varincia do erro de estimao (DEUTSCH, 1996). A krigagem ordi-
nria a tcnica de interpolao geoestatstica mais difundida (LAN-
DIM et al., 2002; SOARES, 2006), j implementada em mdulos de
anlise espacial de vrios ambientes SIG. Considerando a dificuldade
em quantificar o erro e a varincia para os pontos estimados, dado o
desconhecimento dos valores reais, a krigagem ordinria faz uso de
uma funo aleatria que permite atribuir pesos s amostras usadas
nas estimativas. Por isso, no algoritmo de krigagem ordinria no h
a necessidade de se conhecer o valor da mdia a priori; isto , o valor
da mdia constante, mas como no entra no clculo, pode continuar
desconhecido.
A krigagem ordinria considerada por Sturaro (1988) como o
melhor estimador linear sem vis, em funo das seguintes caracters-
ticas: a) Linear - as estimativas so feitas atravs de uma combinao
linear dos dados; b) Sem vis - o mtodo objetiva que o erro residual
mdio seja igual a zero; e c) Melhor estimador - o mtodo objetiva mi-
nimizar a varincia dos erros. Como em outras formas de krigagem, ela
pode ser executada com estimativas por ponto ou por bloco, onde os
resultados por bloco apresentam uma maior suavizao na superfcie
estimada.
Krigagem por Ponto ou por Blocos

Os mesmos clculos da krigagem ordinria podem ser aplicados
para estimativas em um ponto, ou em uma rea (i.e.: estimativas por
blocos). A krigagem por pontos utilizada para estimar uma varivel
de interesse em um ponto no observado, a partir dos valores co-
nhecidos de observaes vizinhas. A krigagem pontual uma tcnica
muito aplicada na representao de dados geofsicos (e.g.: mapas de
isovalores e superfcies tridimensionais). Em geral, modelando varia-
es mais abruptas de valores absolutos, sendo adequada para alguns
processos da AP.
60
A krigagem por blocos uma tcnica que tem origem na esti-

mativa de teores mdios em painis, ou blocos, de minerao. Difere
da estimativa pontual, medida que reas e volumes maiores so
representados por pontos amostrais coletados em funo da variabi-
lidade natural do depsito sendo avaliado. Onde a estimativa de ape-
nas um ponto central esta unidade (i.e.: rea ou volume) no ser su-
ficiente para represent-la. A tcnica considera uma regio com uma
rea conhecida A e um ponto central X0; para a qual, as varincias
entre os pontos amostrados (i.e.: X1, X2, X3,...Xn) e o ponto X0 so
substitudas pela mdia das varincias entre os pontos amostrados e
os pontos que ocorrem dentro da rea A. Obviamente, uma kriga-
gem com blocos de 0 x 0 m, equivale a uma krigagem por ponto. Em
relao ao uso da tcnica em AP, esta estimativa uma opo a ser
avaliara em dados de sensores de produtividade, considerando-se a
variao da produtividade dentro de uma rea definida pela largura
da plataforma no implemento agrcola e a distncia percorrida duran-
te o intervalo de leitura (i.e.: 1 segundo). O erro de estimativa asso-
ciado krigagem por blocos ser menor do que aquele associado
krigagem pontual. Em contrapartida, a estimativa por blocos resulta
em mapas mais suavizados (i.e.: valores mais homogneos). Onde,
quanto maior o bloco, mais suavizada fica a representao.
Krigagem Simples
A krigagem simples utilizada quando estatisticamente se assu-
me que a mdia conhecida e constante para toda a rea (i.e.: ajuste
do variograma global). Difere da krigagem ordinria que considera uma
mdia flutuante ou mvel por toda a rea (i.e.: ajuste do variograma
local). Estas presuposies so muito restritivas para modelar, com
realismo, processos geoambientais e, por isso, uma tcnica pouco
utilizada. Em geral, transformaes de normalizao dos dados ou pro-
cedimentos de extrao de tendncias so necessrios para viabilizar
esta tcnica.
Krigagem Universal
um mtodo similar ao da krigagem ordinria, aplicado quando
a varivel regionalizada no estacionria mas apresenta uma ten-
dncia e seus resduos contm a hiptese intrnseca. Esta ocorrn-
cia indica uma mdia que no constante e, consequentemente, um

variograma que no viabiliza a modelagem precisa da estrutura de
correlao espacial dos dados considerados. Uma varivel regionali-
zada no estacionria pode ser considerada como constituda por dois
componentes: 1) a tendncia, que consiste no valor mdio esperado
dessa varivel, dentro de uma certa vizinhana, que varia sistematica-
mente; e 2) o resduo que a diferena entre os valores reais e o valor
do deslocamento causado pela tendncia. Nestes casos, a krigagem
executada sobre os resduos. O que impem o ajuste do variograma
sobre os resduos, para que se possa descrever a estrutura da variao
sem tendncia. De forma mais direta, se a varivel regionalizada repre-
sentar um processo no estacionrio, trabalha-se sobre a estacionari-
dade residual da varivel. Na krigagem universal, o ajuste local feito
mediante um polinmio de ordem n em funo das coordenadas dos
pontos estimados (i.e.: X e Y).
Cokrigagem
A cokrigagem espcie de extenso da krigagem, a qual
permite estimar uma varivel a partir de suas prprias informaes
em conjunto com as informaes disponveis sobre outras variveis
espacialmente correlacionadas. um procedimento de interpolao
no qual diversas variveis regionalizadas podem ser estimadas em
conjunto, com base numa correlao espacial multivariada entre si.
Aplica-se quando duas ou mais variveis apresentam uma alta cor-
relao em seus valores numricos e tenham sido observadas em lo-
cais prximos dentro de uma mesma rea. Este mtodo comumente
utilizado quando a varivel de interesse (i.e.: primria) apresenta
uma menor densidade amostral, ou correlao espacial, em relao
s demais variveis de apoio (i.e.: secundrias). Onde, para cada
local amostrado, obtm-se um vetor de valores em lugar de um nico
valor. A cokrigagem busca melhorar a estimativa da varivel primria
utilizando outras mais densamente amostradas; ainda que, em geral,
apenas uma varivel secundria seja usada.
Krigagem Indicativa ou Indicadora

Este tipo de interpolao utiliza procedimentos no lineares para
modelar a variabilidade dos atributos. Possibilita a inferncia de uma
62
aproximao discretizada do modelo da distribuio de probabilidade

para a modelagem da incerteza sobre seus valores (LIMA, 2006). Uma
vantagem importante destes mtodos a possibilidade de se modelar
dados temticos qualitativos, alm dos dados de natureza numrica.
Assim, pode-se trabalhar com propagao de incertezas para mode-
los computacionais que envolvam atributos numricos e temticos. A
krigagem indicativa aplicada de forma discretizada para encontrar a
funo de distribuio acumulada de cada ponto a ser estimado. um
mtodo no paramtrico que no considera nenhum tipo de distribui-
o de probabilidade, a priori, para a varivel aleatria. Em contrapar-
tida, ela possibilita a construo de uma aproximao discretizada da
funo de distribuio que pode ser usada diretamente na estimativa
de valores caractersticos da distribuio, tais como: quartis, valores
esperados e varincias. Portanto, no fica restrita modelagem de dis-
tribuies simtricas, como, por exemplo, a gaussiana (LIMA, 2006).
Estes procedimentos possibilitam modelar atributos com alta varia-
bilidade espacial sem o rigor da anlise exploratria que busca filtrar
amostras com valores discrepantes (i.e.: outliers) de uma tendncia.
Entretanto, a krigagem indicadora requisita um alto grau de embasa-
mento terico na interatividade com suas funes, exigindo o ajuste de
um variograma para cada valor de corte considerado.
Seo 2
Utilizando o Vesper
Captulo 4
O Vesper
4.1 Requisies do Sistema
O Vesper uma ferramenta com funes para a estimativa de va-

riogramas e a predio espacial por krigagem com indicao do erro as-
sociado na predio. um shareware2, implementando com algoritmos
de regresso e mtodos quantitativos clssicos de domnio pblico (MI-
NASNY et al, 2005; WHELAN et al., 1996; WHELAN et al., 2001) e
concebido com bases na aplicao prtica em processos da variabilida-
de do solo (WALTER et al., 2001). Atualmente o sistema est vinculado
ao Laboratrio de Agricultura de Preciso PAL (i.e.: Precision Agricul-
ture Laboratory), inaugurado em 2012, que opera na Universidade de
Sydney. Este novo laboratrio mantm a equipe e as linhas de pesquisa
anteriormente alocadas no antigo Australian Centre for Precision Agri-
culture (i.e.: ACPA 1995 a 2011), na Universidade de Sydney.
Registro e Aviso Legal

Este aplicativo disponibilizado gratuitamente para fins acadmi-
cos na pgina do PAL3, nestes casos sob a condio de citao da refern-
cia Minasny et al. (2005). O seu uso deve ser registrado via um formulrio
de cadastro de usurios para o envio do nmero de srie que liberar as
interfaces de apresentao dos resultados da mensagem impressa Un-
registered Version. O formulrio de registro original apresentado no
Anexo I, onde sugerindo o custo de registros para fins comerciais. Esta
taxa de registro relativamente simblica e destinada a manuteno do
2 Shareware um aplicativo protegido por direitos autorais e gratuito sob con-
dies, funcionalidades e/ou tempo de gratuidade limitados; fora dos quais o
usurio pode ser requisitado a pagar pelo uso.
3 http://sydney.edu.au/agriculture/pal/software/download_vesper.shtml
66
sistema, tendo boa adeso no segmento de consultorias em associaes

de AP entre produtores australianos. A janela de abertura exibe uma men-
sagem de cobrana do registro (i.e.: Please Resgister) que fica ativa
por 10 segundos, sempre que o Vesper ativado (Figura 4.1). Nesta
janela de iniciao, a condio de uso est estampada junto com a re-
ferncia para fins de citaes cientficas, e o aviso legal (i.e.: Disclai-
mer) conforme descrito no manual do usurio disponvel no site do PAL4.
Figura 4.1. Janela de iniciao do Vesper contendo informaes sobre as

condies de uso, a citao bibliogrfica e o aviso legal.
As condies de uso descritas ratificam os direitos autorais do

ACPA sobre o uso e a distribuio do Vesper conforme transcrio com
o aviso legal do texto original do manual em ingls:
[] Vesper is a publication of the Australian Centre for Precision Agri-

culture (ACPA). It is made available for use by the PA Lab. If it is used
for research or commercially, please cite the following reference: Mi-
nasny, B., McBratney, A.B., and Whelan, B.M., 2005. Vesper version
1.62. Australian Centre for Precision Agriculture.
The PA Lab has taken all care to ensure these programs are ope-
rationally sound. However, these programs are supplied as is and
no warranty is provided or implied. The PA Lab assumes no liability
for damages, direct or consequential that may result from the use of
these programs.
4 http://sydney.edu.au/agriculture/pal/documents/Vesper_1.6_User_Manual.pdf
Quando iniciada uma nova seo de uso do aplicativo sem registro,

a sub-janela Register indica a condio de verso no registrada (Figura
4.2), que aberta sobre a janela principal do sistema, solicitando um
cdigo de registro. Nesta sub-janela, trs botes operacionais esto dis-
ponveis na parte inferior com as seguintes funes: a) Register - para
efetivar o registro aps a digitao do nome do usurio e do nmero de
srie enviado pelo PAL no campo Serial No; b) Registration Form
para visualizar e imprimir o formulrio de registro (Anexo I); e c) Done
para fechar a sub-janela de registro. Outra maneira de acessar a interface
de registro durante a execuo do Vesper, clicando no boto operacional
Register no topo da janela principal, como realado na Figura 4.2.
Figura 4.2. Sub-janela de registro do software, ativada na iniciao do Vesper

quanto ainda no registrado ou via o boto operacional Register.
Requisitos do Sistema e Instalao
O Vesper um aplicativo desenvolvido para ambiente Windows,

de origem acadmica, originalmente codificado em ambientes de pro-
68
gramao cientfica (i.e.: MatLab e Fortran 77), e modelado mediante

uma interface amigvel, em cdigo Visual Basic, escrito para oferecer
tcnicas de predio espacial robustas na adoo da AP. Estruturado
para verses do Windows anteriores a 2004, o gerenciamento de ar-
quivos de controle do Vesper comea a ficar ultrapassado diante da
evoluo dos sistemas operacionais, ainda que o aplicativo se man-
tenha funcional e eficiente. O seu cdigo bastante otimizado e no
requisita extenses e/ou o apoio de ferramentas especficas do sistema
operacional e viabiliza uma interao facilitada aos usurios da AP.
Seu processo de instalao padro armazena arquivos primrios
na pasta de programas do sistema no seguinte caminho: C:\Arquivos
de Programas\Vesper. Esta instalao inclui arquivos compilados do
sistema, arquivos de controle e registro dos procedimentos executa-
dos, e, adicionalmente, alguns arquivos intermedirios durante os cl-
culos de variograma e krigagem. Entretanto, posteriormente ao Win-
dows 8, seja pela mudana na estrutura de armazenamento ou na de
segurana do sistema operacional, alguns arquivos intermedirios no
aparecem mais na pasta de instalao. Como o acesso aos mesmos
pode auxiliar na reduo da curva de aprendizado do usurio, sugere-
-se que a pasta destino para instalao do Vesper seja criada na sua
rea privada de arquivos.
Outra questo ligada ao sistema operacional est nas configura-
es regionais e de linguagem definidas para o teclado. A mudana nos
padres de linguagem e teclado, a exemplo da vrgula para ponto na se-
parao decimal numrica, pode criar dificuldades e mensagens de erro
durante os processamentos no Vesper, j que a grande maioria de seus
arquivos de trabalho so no formato de texto delimitado por vrgulas.
4.2 Apresentao da Interface
Como na maioria dos softwares de geoestatsticos, o Vesper re-

quisita duas etapas distintas para executar uma interpolao espacial,
sendo: o clculo e modelagem do variograma para a rea de interesse
e a estimativa de valores por krigagem para posies no observadas.
Sua interface simples e basicamente composta por uma nica janela
principal contendo botes operacionais no topo e trs abas distintas,
intitulada VESPER MMII ACPA. Estas abas organizam as etapas
de uma forma segmentada e genrica, seguindo o processamento na-

tural e intuitivo no uso das tcnicas da geoestatstica. As trs abas so
ilustradas abaixo; sendo: Files com os campos para as definies
de arquivos de entrada e sada de dados (Figura 4.3); Kriging com
os campos para as definies de parmetros do modelo de interpola-
o por krigagem (Figura 4.4); e Variogram - com os campos para as
definies de clculo do variograma (Figura 4.5).
Sua interface tambm possibilita o controle interativo e manual
para vrios procedimentos. No clculo do variograma permite o ajuste
fino e visual do variograma global com barras de rolagem que facilitam o
manuseio gil das simulaes de ajuste emprico. Na estimativa por kri-
gagem gera uma grade de interpolao por intermdio de um contorno
irregular definido manualmente, e ainda permite o ajuste emprico com
o controle da vizinhana e do bloco de sustentao das interpolaes.
Na etapa final da krigagem para gerao de mapas, o Vesper apresenta
uma sub-janela de processamento das estimativas da krigagem ordin-
ria em tempo real, onde possvel acompanhar a progresso das inter-
polaes, e, ao fim do processamento, outra sub-janela Vesper Map
pode ou no ser ativada, contendo os resultados da interpolao, mais
especificamente: o mapa de predio (i.e.: Predicted), com as estima-
tivas da varivel em locais no observados, e o mapa do erro associado
a esta predio, com valores do desvio padro da regresso em cada
ponto estimado (i.e.: Std Deviation of Prediction).
O Vesper oferece uma gama de opes para gerenciar e trabalhar
dados dispersos e heterogneos, variando em suas densidades amos-
trais, distribuio espacial, dependncia espacial e incerteza na obser-
vao. As funcionalidades para atender estas requisies incluem: cl-
culo do variograma emprico, ajuste automtico e manual do variograma
terico, gerao do contorno e da grade de interpolao, interpolaes
por krigagem e exportao de resultados. Para as interpolaes por kri-
gagem dois mtodos esto disponveis: a krigagem Simples, utilizando
o ajuste do variograma global, mais aplicado para casos de baixa reso-
luo amostral; e a krigagem Ordinria, utilizando o ajuste automtico
de variogramas locais. Ambas tcnicas de krigagem podem ser executas
pelos mtodos de interpolao por pontos ou por blocos
Permite a anlise variogrfica em dados georreferenciados, inte-
rativamente visualizando e ajustando variogramas, com de nove opes
70
de modelos tericos automaticamente ajustados. Quando utilizada com

um embasamento terico e critrio, esta variografia automtica e intera-
tiva pode ser entendida como uma significativa e facilitada ferramenta
de aprendizado e maturao de conceitos no estudo da autocorrelao
espacial. A exemplo da sub-janela Vesper1.6 de execuo da kriga-
gem ordinria (Figura 4.6), onde trs grficos dinmicos permitem ao
usurio acompanhar o processamento em tempo real. O programa pro-
cessa a krigagem ordinria em modo global ou local. Na krigagem com
parmetros do variograma global, um nico variograma ajustado para
toda a rea atravs de uma janela interativa, que descrita no Captulo
5. Outra opo, executar a krigagem utilizando parmetros de ajustes
de variogramas locais (HAAS, 1990), considerando apenas dados na
vizinhana do ponto sendo estimado. O ajuste local envolve: a) a bus-
ca por vizinhos de cada ponto da grade de estimao; b) o clculo do
variograma emprico com o agrupamento de vizinhos identificados; c)
o ajuste automtico do variograma do agrupamento local; e d) a esti-
mativa do valor desconhecido e do erro associado a esta estimativa. Os
variogramas so ajustados automaticamente por regresso no-linear
por mnimos quadrados (MARQUARDT, 1963).
Abas de Controle dos Procedimentos
Figura 4.3. Aba Files da janela principal para definio de arquivos de

entrada e sada.
Figura 4.4. Aba Variogram da janela principal para anlise e ajuste

do variograma.
Figura 4.5. Aba Kriging da janela principal para gerao da grade de

interpolao, delineamento do contorno da rea de estudo e definio dos
parmetros da krigagem.
72
Figura 4.6. Sub-janela de krigagem com interpolao de mapas em tempo

real, executando a krigagem ordinria de CEa por pontos e com ajuste
automtico de variogramas locais.
Botes Operacionais
Os Botes operacionais (Figura 4.7) controlam comandos cen-
trais do Vesper com quatro funes especficas como segue:
Run Kriging Program Execuo da interpolao por krigagem;

Salvar o arquivo de controle de uma seo
Save Control File
de anlise;
Acessar o formulrio de cadastro e
Register
registrar o nmero de srie; e
Exit Sair do sistema.
Figura 4.7. Botes operacionais da janela principal resumindo os comandos

centrais do Vesper.
4.3 Gerenciamento de Arquivos
Arquivo de Entrada
O Vesper aceita dados de entrada em arquivos no formato de
texto delimitado por vrgulas, espaos ou tabulaes (e.g.: .txt,
.csv ou .dat), que podem ser criados num editor de texto simples
ou exportados por uma planilha eletrnica. Podem conter at 50
variveis numricas ou textuais obrigatoriamente georreferenciadas.
Como no exemplo da Figura 4.8, os dados de entrada devem es-
tar organizados de forma que cada ponto de observao no campo
corresponda a um registro (i.e.: linha da planilha), o qual dever
conter os valores das variveis dispostas em campos delimitados
(i.e.: colunas da planilha) incluindo: dois campos com coordenadas
cartesianas (i.e.: X e Y em metros) e ao menos um campo com os
valores da varivel a ser analisada (e.g.: CEa, NDVI, Produtividade, N
e K). No h uma ordem definida para disposio dos campos ou a
obrigatoriedade de uma linha de cabealho, mas sugere-se que seja
definida uma linha de cabealho e que o par de coordenadas estejam
posicionados nos dois primeiros campos na ordem X, Y (Figura 4.8).
Esta disposio visa facilitar a seleo das variveis de entrada na
interface File Preview: da sub-janela Data file, como detalhado
adiante. Registros sem os valores das variveis (i.e.: em branco) so
desconsiderados durante o processamento mediante o preenchimen-
to destes campos com o valor predefinido pelo Vesper como -9999.
Caso estes campos j estejam preenchidos com outro tipo de flag
(sinalizador), este valor pode ser definido no campo Missing value
no menu de opes Data na aba Files (Figura 4.3).
As coordenadas devem conter valores de referncia cartesiana,
em metros, ao invs de valores de coordenadas esfricas (i.e.: Lati-
tude e Longitude), em graus. Isto porque, um grau longitudinal no
representa uma distncia fixa, a qual varia em funo da posio
no globo. Isto , a diferena de um grau quando se est prximo ao
Equador representa uma distncia muito maior do que a diferena de
um grau prximo aos Polos. Por estas razes, as coordenadas geo-
grficas devem ser convertidas para coordenadas cartesianas antes
de dar entrada no Vesper. Nota-se que dados oriundos de sistemas
74
GNSS so, em geral, capturados em coordenadas geogrficas, ou

seja Latitude e Longitude, no comportando clculos de distncias
entre os pontos observados. Um exemplo de georreferenciamento em
SIG apresentado no Item 7.4.
A rigor a seleo do arquivo de entrada pode ser feita por duas
interfaces disponveis na aba Files (Figura 4.3), com realado nos
contornos em azul e vermelho na Figura 4.9. Em azul, na parte es-
querda da aba, o arquivo de entrada selecionado numa interface de
barras de rolagem programadas na interface do Vesper. Alternativa-
mente em vermelho, a seleo pode ser feita no campo Data File do
menu de opes Data, digitando o caminho completo do endereo
do arquivo ou clicando no boto operacional que disponibiliza
uma janela no padro do Windows Explorer.
Aps a seleo do arquivo de entrada necessrio identificar
as trs variveis que vo ser processadas, sendo os dois campos
de coordenadas e um da varivel analisada. O procedimento para
seleo das variveis de entrada feito na interface da sub-janela
Data file (Figura 4.10), a qual ativada clicando no boto opera-
cional Select Data do menu de opes Data na aba Files. Esta
sub-janela apresenta o caminho do arquivo de entrada, o nmero de
campos identificados na leitura do arquivo (i.e.: No. columns), os
campos correspondentes as variveis de anlise e uma prvia dos
primeiros registros do arquivo na interface File Preview:. Usando a
interface File Preview: como referncia da disposio das variveis,
o usurio define os nmeros dos campos correspondentes aos dados
que sero salvos para fins de variografia e krigagem ao clicar OK na
sub-janela Data file; estes sendo: X Collumn para a coordenada
X, Y Collumn para a coordenada Y e Data Collumn para a varivel
a ser analizada.
Na primeira execuo do aplicativo aps a instalao, os valores
dos campos X Collumn e Y Collumn so definidos para as posies
1 e 2 respectivamente, e o campo Data Collumn para a posio rela-
tiva a ltima varivel do primeiro arquivo de entrada. Como no exemplo
da Figura 4.10 onde o valor 19 atribudo ao campo Data Collumn
ao se selecionar o arquivo de entrada apresentado na Figura 4.8. Com
esta seleo, a anlise variogrfica e a krigagem sero executadas para
os valores de zinco (Zn) presentes no dcimo nono campo do arquivo.
As posies dos trs campos salvos em uma seco de anlise so

armazenadas no arquivo de controle (i.e.: control.txt) e mantidas na
interface da prxima seo de anlise. O arquivo de controle apre-
sentado no Item 4.5, onde estas posies podem ser redefinidas pelas
variveis de programao icol_x, icol_y e icol_z (Annexo II). Para
evitar erros de execuo ou a troca de resultados neste procedimento o
usurio deve se certificar sobre a identificao correta da posio dos
campos correspondentes aos valores das coordenadas e da varivel a
ser analisada.
Figura 4.8. Formato do arquivo texto delimitado por vrgulas com dados de
entrada.
76
Figura 4.9. Opes de interfaces para seleo do arquivo e da varivel de

entrada aba Files.
Figura 4.10. Opes da aba Files com interfaces para seleo do arquivo e
da varivel de entrada.
Entendendo os Arquivos de Sada

A organizao dos arquivos gerados pelo Vesper pode ser con-
trolada no menu de opes Output da aba Files (Figura 4.3), onde
possvel o usurio redefinir a pasta de destino e/ou renomear os ar-
quivos de sada (Figura 4.11). Estas redefinies devem ser efetuadas
logo aps a seleo do arquivo de entrada, e sempre antes do incio de
uma nova seo de anlises. Alteraes feitas durante a seo de pro-
cedimentos, por exemplo entre o ajuste do variograma e a krigagem,
podem forar mensagens de erro ou mesmo o encerramento involun-
trio do programa com perda dos resultados. Uma vez que a pasta
destino tambm utilizada para a criao de arquivos temporrios
comuns a vrios processamentos.
Figura 4.11. Definio da pasta de trabalho na interface Output da aba

Files onde sero armazenados os arquivos resultantes da krigagem e de
controle do processamento.
Estes arquivos de sada so gerados no formato de texto deli-

mitado (.txt) e direcionados para a pasta de instalao do Vesper.
Esta pasta de destino pode, e deve, ser alterada no campo Output
directory do menu de opes Output (Figura 4.11), em particular
quando o aplicativo instalado com verses de sistema operacional
posteriores ao Windows 7. Caso no renomeados no incio da seo
de anlise, estes arquivos sero sobrescritos e os resultados anteriores
perdidos a cada nova interpolao por krigagem executada. Estes
resultados tem as seguintes funes:
Arquivo com as chaves de controle das variveis

operacionais utilizadas nos algoritmos de
control interpolao por krigagem, e tambm utilizado
para executar uma sequncia de processamentos
em lote de grandes volumes de dados.
78
Arquivo gerado como arquivo temporrio contendo

os parmetros do ajuste do variogram que sero
parameter
usados na krigagem ordinria e os valores de RMSE
para cada ponto de predio.
Resultado da krigagem de uma varivel, contendo
para cada ponto da grade de predio um
kriged indexador (ID), o par de coordenadas do ponto
(X e Y), o valor predito e o desvio padro da
estimativa (Figura 4.12).
Arquivo com um relatrio de registros, contendo
referncias gerais da seo de anlises, parmetros
usados nos procedimentos e mensagens da
report
operao de predio. Como por exemplo, o texto
digitado no campo Analysis Title da aba Files
definido como ttulo da seo de anlises.
Ao fim do procedimento de krigagem, os mapas resultantes

das predies e do erro associado a estas estimativas podem ser
visualizados clicando no boto operacional View Output do menu
de opes Output (Figura 4.12). Os mapas ilustrados na sub-ja-
nela Vesper Map so construdos com os resultados da krigagem
armazenados no arquivo definido no campo Kriged Output File
(i.e.: kriged.txt caso no renomeado). Uma vez que este arqui-
vo seja renomeado e salvo numa pasta de trabalho especfica, os
mapas resultantes da krigagem podero ser visualizados posterior-
mente selecionando a pasta no boto operacional do campo
Output directory e digitando o nome do arquivo no campo Kriged
Output File.
Figura 4.12. Sub-janela Vesper Map ativada pelo boto operacional View
Output do menu de opes Output para visualizao dos resultados da
krigagem armazenados no arquivo de texto kriged.txt.
4.4 Exportao de Resultados
Os mapas resultantes da krigagem podem ser convertidos para

arquivos de texto em outros formatos ou extenses compatveis com
ambientes SIG especficos clicando no boto operacional Output
File Conversion do menu de opes Output da aba Files (Figura
4.13). Este boto ativa a sub-janela Vesper Output File Conversion
com interfaces para a definio de parmetros e nomes dos arquivos
convertidos para exportao. Nesta sub-janela so definidos: no cam-
po Vesper Output File o arquivo com os resultados da krigagem a ser
convertido; no campo Converted file do menu de opes Text File
o arquivo exportado no formato de texto delimitado (Figura 4.13); e
nos campos Kriged grid file e Std. Dev of kriged grid file do menu
de opes ASCII Grid os arquivos exportados em grades matriciais
de formatos ASCCII especficos dos ambientes de SIG Surfer e ArcView
(Figura 4.14).
importante observar que as pastas de destino definidas nos
campos Output directory das interfaces do menu de opes Output
80
e da sub-janela Vesper Output File Conversion devem ser a mesma.

Caso os nomes dos arquivos ou pastas de destino sejam alterados du-
rante os processamentos de uma seo de anlise, corre-se o risco de
perder os resultados e ter que repetir a execuo do procedimento de
krigagem, o qual pode ser de grande custo computacional dependendo
do nmero de registros de entrada e do refinamento da resoluo da
grade de predio.
Figura 4.13. Sub-janela Vesper Output File Conversion com interfaces para
a definio de parmetros e nomes dos arquivos convertidos para exportao.
(a) (b)
Figura 4.14. Exemplo dos arquivos convertidos nos formatos SIG ASCII
Raster Grid disponveis para exportao, sendo: a) ArcView; e b) Surfer.
4.5 Aplicaes Avanadas
Algumas das tcnicas para tratar as caractersticas da dependn-

cia espacial apresentadas no Item 3.4, como anisotropia e tendncia,
no esto disponveis diretamente na interface do Vesper, mas podem
ser simuladas com procedimentos alternativos, ou mesmo externos ao
Vesper, importando os resultados em softwares que possam comple-
mentar o processamento requisitado. Alguns procedimentos avana-
dos podem ser configurados no Vesper por intermdio de um arquivo
de controle dos processamentos. Predefinido pelo sistema com o nome
de control.txt, este arquivo de controle um arquivo de texto que
funciona como um livro de registros e predefinio das variveis ope-
racionais para controle do cdigo de execuo, podendo ser facilmente
editado. Por exemplo, variveis contendo as convenes direcionais
para a anlise de anisotropia (e.g.: isearch, igeos, icircs, psin e
pcos) so predefinidas com valor zero no arquivo de controle padro
do Vesper, assumindo assim a automao da anlise de processos iso-
trpicos. Diante da requisio de uma anlise anisotrpica os valores
destes campos podem ser editados no corpo do arquivo de controle
padro e salvos num arquivo de controle para este fim especfico.
82
Os arquivos de controle podem servir tambm para aplicaes

avanadas com processamentos recursivos ou execues em batch
(i.e.: arquivo em lote que executa uma lista de comandos sequenciais)
para grandes acervos de dados. Utilizando diferentes arquivos de con-
trole, possvel executar uma sequncia predefinida de processos para
automatizao de anlises especficas. O passo a passo para se definir
estas aplicaes no faz parte do contedo deste livro por no existir
uma referncia no manual disponibilizado em ingls. Para questes
sobre estes procedimentos avanados, o usurio deve contar a equipe
responsvel pelo desenvolvimento do Vesper. O exemplo de um arqui-
vo de controle tpico apresentado no Anexo II.
Captulo 5
Modelagem de Variogramas
5.1 Opes de Ajuste do Variograma
No Vesper, o processo de anlise variogrfica executado na aba

Variogram da janela principal, onde a modelagem do variograma en-
volve dois componentes bsicos, sendo: o clculo do variograma em-
prico e o ajuste do variograma terico. Nesta aba (Figura 5.1), o ajus-
te do variograma pode ser executado em modo local ou global, como
detalhado a seguir. Os procedimentos tm embasamento terico como
apresentado para o exemplo de ajuste em planilha eletrnica no Cap-
tulo 3 (Itens 3.2, 3.3 e 3.4). Os resultados do ajuste caracterizam a
dependncia espacial da varivel com parmetros quantitativos que so
posteriormente utilizados nas equaes de estimativas por krigagem.
Figura 5.1. Aba Variogram para ajuste de parmetros e seleo do modo em

que o variograma ser calculado, sendo: Local variogram ou Global variogram.
84
O ajuste do variograma pode ser feito em modo local ou global.

O variograma em modo global estima e ajusta um nico variograma
considerando todos os pontos observados. O procedimento em modo
global executado em uma sub-janela de ajuste interativo do vario-
grama. Este procedimento segue o mtodo clssico de ajustes semiau-
tomticos do variograma com posterior refinamento visual emprico,
usualmente utilizado com um nmero limitado de dados (i.e.: < 500
pontos) provenientes de monitoramentos manuais discretizados, como
informaes de perfis, mini trincheiras ou tradagens de solo ou de te-
cido foliar. Nada impede que o modo local seja usado com acervos de
dados em alta densidade, apenas resultando numa interpolao mais
suavizada. J o inverso no vivel, pois arquivos com um nmero
limitado de registros no propiciaro um nmero de vizinhos suficien-
tes para permitir estimativas locais. Durante a execuo da krigagem,
o Vesper emite uma janela de alerta nestes dois casos. Para arquivos
com menos de 100 pontos, restringindo a krigagem de se o modo local
estiver selecionado e indicando o uso do modo global. Para arquivos
com mais de 5000 pontos, sugerindo o uso do modo local se o modo
global estiver selecionado.
O ajuste em modo local feito automaticamente durante a exe-
cuo da krigagem ordinria, considerando acervo de dados de en-
trada com alta densidade amostral. A execuo deste procedimento
requisita apenas uma pr-seleo de um modelo terico e a definio
de parmetros de clculo do variograma emprico na aba Variogram.
Estes ajustes locais automticos do variograma so executados du-
rante o procedimento de krigagem ordinria, usando a tcnica de va-
riogramas delimitados por uma janela mvel como sugerido em Haas
(1990). Esta janela mvel percorre toda a rea observada estando
centrada nos pontos da grade de predio sendo estimados, e define o
grupamento de vizinhos considerados na krigagem. Os pontos vizinhos
so selecionados a partir dos campos de coordenadas (i.e.: X e Y)
registrados no arquivo de entrada (Item 4.3) e definem o grupamento
de valores absolutos da varivel selecionada para o clculo da regres-
so. Este ajuste local captura a variao numa escala mais refinada
ao redor dos pontos interpolados. O mtodo local potencializa uma
predio mais precisa quando modelado com dados do monitoramento
intensivo (i.e.: em alta densidade amostral), uma vez que o variograma
em modo global s capaz de capturar uma variao mdia para toda

rea (WALTER et al., 2001). Ou seja, este mtodo captura a variao
numa escala proporcional as diferenas locais entre os valores da va-
rivel analisada, enquanto em modo global a variao tende a ser pro-
porcional ao tamanho do talho por considerar diferenas em relao
a pontos de observao muito distantes.
Procedimento de Ajuste em Modo Local

O Vesper ajusta automaticamente os variogramas locais quando
no menu Variogram calculation a opo Local Variogram selecio-
nada (Figura 5.1). Neste caso, o procedimento de ajuste sendo apenas
necessria a seleo de parmetros iniciais entre valores predefinidos
aba Variogram. Estes parmetros so selecionados da seguinte for-
ma: a) nas barras de rolagem dos campos Variogram model, para
seleo do modelo terico, e Weighting, para seleo do tipo de
ponderao durante a regresso (Figura 5.2.a); e b) nos campos No.
lags, Lag tolerance e define max distance do menu de opes
Variogram computation, definindo parmetros de clculo do vario-
grama emprico (Figura 5.2.b). Sendo que neste menu, o boto de op-
o Compute Variogram deve estar selecionado quando o variogra-
ma em modo local selecionado. As opes disponveis na interface
da aba Variogram para o modelo terico e o tipo de ponderador so
detalhadas no Item 5.2, os parmetros de clculo do variograma em-
prico os mesmos disponveis na sub-janela Variogram Model ativada
durante o procedimento em modo global detalhado a seguir.
As opes de modelos tericos e tipos de ponderadores dispo-
nveis, bem como os parmetros predefinidos para o clculo do vario-
grama emprico foram incorporados com base no conhecimento tcito
da aplicao destas tcnicas. Recomenda-se manter os parmetros
predefinidos no menu de opes Variogram computation (Figura
5.2.b) no caso de ilustraes comparativas de variogramas quando con-
siderando muitas variveis ou diferentes acervos de dados da mesma
varivel. Nas anlises de dados do monitoramento intensivo em AP
indicado que a distncia mxima entre os pares observados (i.e.: define
max distance) tenha um valor maior do que raio de busca considerado
no procedimento de krigagem, devendo ser limitado a um valor apro-
ximadamente igual a seis vezes ao tamanho da plataforma usada no
86
implemento agrcola. Esta indicao tende a melhorar as estimativas da

variografia e reduzir o tempo de computao. Isto implica que para uma
anlise de dados de produtividade coletados numa plataforma de 20 m,
a distncia mxima entre os pares a serem considerados em investiga-
es de zonas de manejo sugerida no entorno de 120 m.
(a) (b)
Figura 5.2. Pr-seleo de parmetros da aba Variogram para o ajuste de
variogramas em modo local, sendo: a) o modelo terico (Variogram model)
e o tipo de ponderao (Weighting) do ajuste; e b) definio dos parmetros
para clculo do variograma emprico no menu de opes Variogram
computation.
A experincia australiana ainda indica que, usualmente, o mode-

lo terico exponencial apresenta o melhor ajuste para estimativas con-
siderando dados de sensores de produtividade com variogramas locais.
Outra observao, que os modelos mais complexos (e.g.: Gaussiano,
Mattern e Duplo Esfrico) frequentemente se tornam instveis durante
o ajuste automtico, sendo recomendado utilizar como predefinio os
modelos exponenciais ou esfricos.
Procedimento de Ajuste em Modo Global

Para a execuo do procedimento de ajuste do variograma em
modo global durante a interpolao por krigagem a opo Global Va-
riogram no menu de opes Variogram calculation da aba Vario-
gram deve estar selecionada (Figura 5.1). Este procedimento envolve
interaes do usurio com uma interface especfica em duas etapas: o
clculo do variograma emprico e o ajuste do variograma terico. Para
isto necessrio clicar no boto operacional Fit Variogram da aba
Variogram para ativar a sub-janela Variogram Model para ajuste
interativo do variograma em modo global (Figura 5.3). O clculo do
variograma emprico requisita a definio de dois parmetros bsicos,
sendo o tamanho do lag (Item 3.4) e a distncia mxima entre pon-

tos observados.
Assim como para o procedimento em modo local, so os seguin-
tes os parmetros de referncia para clculo do variograma emprico
na sub-janela Variogram Model (Figura 5.4):
Define a tolerncia percentual do lag, flexibilizando a

distncia definida na busca por pares que sero considerados
Lag tolerance para as distncias entre os pares de observaes. Uma
(% of lags) tolerncia de 50% implica que para um lag definido em
18 metros, os pares distantes entre 9 e 27 metros (i.e.:
18 9) sero considerados (valor predefinido = 50%);
Especifica o nmero de intervalos que iro definir o tamanho
do lag ao dividir a distncia mxima entre os pontos
observados em passos iguais, tornando o tamanho do lag
proporcional a distncia mxima computada entre todos
os pontos (e.g.: escala do talho monitorado) ou limitada
pelo usurio. Na prtica, define o tamanho do tamanho do
No. lags
lag para seleo dos pares de pontos que iro compor
o clculo da varincia mdia. Um exemplo est na razo
entre o campo No. Lags com valor 20 e o campo Define
max distance limitado em 400 m, definindo assim (i.e.:
400/20 = 20) o clculo da semivarincia em incrementos
de 20 m (valor predefinido = 30); e
Limita a distncia mxima de separao entre os pares
de pontos em relao a distncia mxima entre todos os
Define max
pontos do talho que calculada automaticamente. No
distance
tem valor predefinido e precisa ser ativada com o boto
de seleo
Uma vez tendo estes parmetros definidos, o usurio clica no

boto operacional Calculate Variogram do menu de opes Vario-
gram Computation (Figura 5.4) para executar o clculo do variograma
emprico e o ajuste automtico pelo mtodo de regresso no-linear
ponderada proposta por JIAN et al. (1996) para todos os modelos
tericos disponveis (Item 5.2). Na execuo o variograma emprico
plotado no grfico do variograma, sendo representado por pontos in-
dicando a varincia mdia entre pares distantes numa dada distncia.
As cores dos pontos so referenciadas por uma escala de cores que
dimensiona o nmero de pares considerados no clculo, pontos em
88
azul com mdias computadas para um maior nmero de pares, e em

vermelho mdias com um conjunto menor de pares. O traado da linha
azul contnua ilustra a funo do modelo terico sendo ajustado.
Figura 5.3. Sub-janela Variogram Model com interface interativa para

clculo do variograma emprico, o ajuste automtico e/ou manual dos modelos
tericos e avaliao do ajuste.
Figura 5.4. Menu de opes Variogram Calculation com a definio de

parmetros para o clculo do modelo emprico do variograma e execuo do
ajuste automtico.
5.2 Modelos Tericos e Tcnicas de Ajuste
Conforme frmulas apresentadas no Anexo III, so nove os mo-

delos tericos disponveis na barra de rolagem do campo de opes
Model (Figura 5.5). Estes sendo: Spherical (esfrico), Exponen-
tial (exponencial), Gaussian (gaussiano), Linear with sill (linear
com patamar), Stable (Stable), Generalized Cauchi (Cauchi gen-
rico), Matern (Matern), Double spherical (duplo esfrico) e Dou-
ble exponential (duplo exponencial). Entretanto, algumas das opes
de modelos tericos so fruto de experimentao cientfica de cunho
bastante especfico (e.g. Double spherical e Double exponential),
tendendo a ter pouca aplicao prtica nos processos de deciso em
reas de manejo da produo por sito-especfico.
Quando o boto de comando Calculate Variogram para clculo
do variograma ativado, o modelo emprico calculado e todos os mo-
delos tericos so ajustados automaticamente considerando o tipo de
ponderador selecionado para a regresso. Na execuo, um sumrio
dos resultados relativos aos ajustes de cada modelo armazenado em
um nico arquivo denominado de Variofitted, que criado automa-
ticamente pelo sistema na pasta onde o Vesper foi instalado. Este
um arquivo de texto que pode ser utilizado em outros procedimentos
de modelagem da dependncia espacial como discutido na aplicao
prtica destes procedimentos (Item 8.7).
Figura 5.5. Barra de rolagem na seo Model para seleo interativa

do modelo terico de melhor ajuste automtico, na sub-janela Variogram
Model.
90
Ponderadores Disponveis para Ajuste dos Modelos Tericos

Os modelos tericos de variogramas so ajustados ao modelo
emprico por um mtodo de regresso no-linear ponderada (JIAN et
al., 1996), onde os pesos computados durante o ajuste (Anexo III) po-
dem ser definidos segundo as opes na barra de rolagem Weighting
(Figura 5.6), no campo de opes Model, como segue:
Todas as lags tem o mesmo peso (i.e. sem

Unity
pesos)
Pesos calculados pelo nmero de pares
No. of pairs utilizados para determinar a semivarincia da
lag.
Pesos calculados pelo desvio padro da
1/std.dev
semivarincia de cada lag especfica.
Pesos calculados na razo do nmero de
No_pairs/std_dev pares pelo desvio padro da semivarincia de
cada lag especfica.
Entre as opes, destaca-se o ponderador No_pairs/std_dev

como sendo o mais utilizado no uso prtico com dados do monitora-
mento intensivo.
Figura 5.6. Barra de rolagem Weighting para seleo do modo de

ponderao dos pesos no ajuste automtico do variograma, na sub-janela
Variogram Model.
Ajuste Manual dos Modelos Tericos

Como indicado na execuo do Os parmetros do melhor ajuste
automtico de cada modelo so salvos num arquivo texto da pasta
de instalao do Vesper (i.e.: Variofitted). Estes resultados so exi-

bidos nos campos dos parmetros de ajuste do variograma do menu
de opes Fitting Control Panel da sub-janela Variogram Model
(Figura 5.7) em relao ao modelo terico selecionado no campo de
opes Model (Figura 5.5). Neste menu interativo possvel fazer
um ajuste manual refinando dos parmetros de ajuste (i.e.: C0, C1
e A1), enquanto observando simultaneamente o comportamento da
curva do variograma terico sendo ajustado e a variao dos indicado-
res disponveis para avaliao da qualidade do ajuste (Item 5.4). Os
parmetros de ajuste ainda podem ser predefinidos, sendo digitados e
fixados clicando na caixa de seleo ao lado do parmetro, a exemplo
do alcance (i.e.: A1) fixado em 95.5 como indicado na Figura 5.7.
Nesse tipo de pr-seleo, o boto de comando Calculate Variogram
dever ser reativado para cada nova simulao. Por fim, os botes de
comando GO e Save tem as respectivas funes de: validar a con-
vergncia da regresso computando o nmero de iteraes; e salvar
os parmetros do melhor ajuste considerado para o posterior procedi-
mento de krigagem.
Figura 5.7. Menu de opes Fitting Control Panel com interface interativa
para refinamento manual dos parmetros de ajuste, enquanto observando o
comportamento do variograma terico e a da qualidade do ajuste.
5.3 Avaliao da Qualidade do Ajuste
A qualidade dos ajustes dos diferentes variogramas pode ser ob-

servada pelos indicadores apresentados na parte superior do painel
de controle Fitting Control Panel da sub-janela Variogram Model
(Figura 5.7), sendo: o RMSE (i.e.: Root Mean Square Error) e o
AIC (i.e.: Akaike Information Criteria). O RMSE a medida da
magnitude mdia dos erros estimados como apresentado na equao
92
11 do Item 3.3. O AIC o critrio de parcimnia proposto em Akaike

(1973) e referido no Anexo III. Para os dois indicadores, quanto me-
nor for o valor, melhor o ajuste. Diferente do RMSE, a estatstica
do AIC aceita nmeros negativos. Referncias sobre a aplicao do
mtodo AIC para seleo de variogramas de propriedades de solos
so introduzidas em Webster e McBratney (1989).
Salvando Parmetros do Melhor Ajuste

Aps a seleo do melhor ajuste para o variograma, os parme-
tros do modelo terico selecionado precisam ser salvos para uso nos
processos de krigagem. Ao clicar no boto operacional Save, os par-
metros de ajuste so automaticamente transferidos para os campos
da opo Define parameters do menu de opes Variogram com-
putation. Na execuo, a opo de interface vai abrir uma janela de
gerenciamento de arquivos para seleo da pasta de trabalho onde o
arquivo em formato texto seja armazenado conforme ilustrado na Figu-
ra 5.8. Este arquivo registra: todos os parmetros de ajuste do modelo
selecionado, os indicadores de qualidade deste ajuste e os valores das
estimativas com o nmero de pares para cada lag individualmente.
Figura 5.8. Arquivo co resultados do ajuste selecionado (i.e.: tipo de

ponderao, tamanho das lags, valores estimados, nmero de pares e ndices
de validao).
Captulo 6
Predio Espacial
6.1 Krigagem no Vesper
Com base nas definies e fundamentos dos mtodos de inter-

polao por krigagem discutidos anteriormente nos Itens 3.5 e 3.6,
este captulo apresenta as opes de processamento da krigagem
disponveis na aba Kriging da janela principal do Vesper, onde,
apenas as opes de menu e a lgica sequencial dos procedimentos
so ilustradas com base nas aplicaes e conceitos tpicos j apre-
sentados.
O Vesper executa mtodos clssicos de krigagem, como a kriga-
gem simples e a krigagem ordinria, segundo estimativas de variogra-
mas globais e locais, respectivamente. O processamento ainda inclui
as opes de interpolao por pontos ou por blocos. Uma interface
amigvel permite ao usurio criar, interativamente, um contorno li-
mtrofe da rea considerada, e a gerao de uma grade regular de
interpolao. O principal diferencial do Vesper est numa abordagem
de anlise automtica de variogramas locais, que tem a capacidade de
ajustar o processo estimao segundo as diferenas locais na estrutura
de variao espacial da varivel considerada.
De maneira simples, a krigagem um mtodo de predio espa-
cial do valor de uma varivel regionalizada em um determinado local
no observado, dentro da rea de interesse. um procedimento de
interpolao exato, que leva em considerao os valores observados
dentro de uma vizinhana do ponto a ser estimado. Na estimativa por
krigagem, as distncias de ponderao entre os vizinhos mais prxi-
mos so embasadas em parmetros obtidos na anlise variogrfica,
levando em considerao a distncia entre amostras e a sua estrutura
de agrupamento.
94
De maneira bem pragmtica, Camargo et al. (2004) resumem

as seguintes caractersticas da krigagem:
Mtodo geoestatstico estimador que leva em considerao
as caractersticas espaciais de autocorrelao de variveis
regionalizadas;
Nas variveis regionalizadas uma certa continuidade espacial
esperada, o que permite que os dados obtidos por amostragem de
certos pontos possam ser usados para parametrizar a estimao de
pontos onde o valor da varivel seja desconhecido;
Ao ser constatado que a varivel no possui continuidade espacial
na rea estudada, no h sentido lgico em estimar/interpolar
usando-se a krigagem.
6.2 Definio de Parmetros de Krigagem
A aba Kriging na janela principal do Vesper (Figura 6.1) re-

sume os parmetros necessrios para o processamento de krigagem
ordinria. Estes podem ser subdivididos em quatro blocos distintos. O
lado direito da aba concentra os campos de definio da grade regular
de interpolao, sendo a resoluo espacial da grade, em metros, e o
limite de interpolao, seja por uma rea retangular ou por um con-
torno, definido pelo usurio. Os campos de opes Method e Block
Kriging definem o tipo de krigagem, se por pontos ou blocos, e, para
a segunda opo, as dimenses do bloco. Os campos localizados no
centro da aba, Search Radius e Neighborhood for interpolation,
definem as condies de vizinhana da anlise. E por fim, na parte
inferior, apresenta trs outros parmetros opcionais que sero detalha-
dos a diante.
Figura 6.1. Aba de krigagem (i.e.: Kriging) na janela principal do Vesper,

com as opes para definio dos parmetros da krigagem como: resoluo
da grade de interpolao, limite da rea para interpolao, modo de krigagem
(i.e.: por ponto ou por bloco), condies de vizinhana e outros parmetros
alternativos.
6.3 Gerao da Grade e do Contorno de Interpolao
A interpolao por krigagem tem base em uma grade regular de

estimao. Ou seja, uma matriz de pontos regularmente espaados,
para os quais os valores da varivel so desconhecidos e sero pre-
ditos a partir dos pontos vizinhos onde o valor absoluto da varivel
conhecido. No Vesper esta grade pode ser gerada de diferentes
maneiras.
Na opo Rectangle Interpolation, o limite da rea a ser inter-
polada pode considerar os limites mnimos e mximos da extenso do
retngulo envolvente dos dados, ou uma subrea retangular, definida
pelos pares de coordenadas de uma diagonal, onde o espaamento re-
gular entre os pontos da grade definido por uma distncia em metros,
gerando uma grade regularmente espaada com contorno retangular.
Estas opes se aplicam em casos onde o talho tem dimenses re-
tangulares bem definidas, no havendo necessidade do delineamento
de um contorno, pois a prpria extenso da nuvem de dados define o
contorno limtrofe da rea.
96
Na opo Generate Grid, o arquivo do contorno limtrofe da

interpolao pode ser carregado, se previamente gerado no Vesper ou
por outro sistema (e.g.: coordenadas coletadas com GNSS). O boto
Generate Boundary, se ativado, abrir uma sub-janela interativa,
onde os pontos do arquivo de dados brutos sero plotados (Figura
6.2.a), e um contorno vetorial poder ser definido manualmente, por
meio de vrtices, com o uso do mouse. A definio manual do con-
torno se aplica quando o talho tem geometria irregular, triangular ou
poligonal, onde o contorno toma a forma que engloba toda a nuvem de
pontos e confina a gerao da grade na superfcie delimitada.
Para interagir no delineamento do contorno, o seguinte procedi-
mento necessrio:
1. No ponto onde se pretende iniciar o contorno, clicar com o boto
direito do mouse;
2. Em seguida, clicar com o boto esquerdo do mouse nos locais onde
se pretende definir os vrtices do contorno, de forma recursiva, no
sentido horrio ou anti-horrio, at completar todo o contorno da
nuvem de pontos.
3. Ao retorna nas proximidades do ponto inicial, e aps definir o ltimo
vrtice; pressione o boto direito do mouse, outra vez, para finalizar
o contorno.
4. Ao encerrar o contorno, a sub-janela de confirmao Vesper
Interface vai confirmar se o arquivo texto do contorno ser salvo
(Figura 6.2.b). Caso confirmado, a janela Save boundary as
vai permitir o arquivo de contorno ser salvo na pasta e com o nome
desejados.
Uma vez salvo, o arquivo de contorno poder ser carregado para
fins de processamento e gerao de uma grade regular delimitada pelo
contorno. Para isto, deve-se:
1. Selecionar o boto radial Define field boundary;
2. A sub-janela Open Boundary File abrir automaticamente, para
a seleo do arquivo de contorno gerado no procedimento anterior;
3. Aps selecionado o arquivo de contorno, a sub-janela Grid
Generator abrir automaticamente para definio do nome e do
local de armazenamento da grade de interpolao gerada;
4. No campo Distance between interpolation, dimensionar a

resoluo espacial da grade, em metros, e depois clicar em Go.
Uma ltima opo Define Grid File considera a existncia de
uma grade regular previamente definida, seja ela delimitada por um
contorno irregular ou por uma regio retangular. Neste caso, basta se-
lecionar o boto radial Define Grid File e clicar no boto de seleo
da pasta e do nome do arquivo da grade j existente.
Aps todas as definies para gerao do contorno e da grade
de interpolao, outros parmetros relativos ao mtodo de interpolao
por krigagem podem ser definidos em relao a: a) dimenso espacial
da estimativa, se por ponto ou por bloco; b) vizinhana do ponto sendo
estimado; e c) transformaes matemticas alternativas.
(b)
(a) (c)
Figura 6.2. Sub-janelas da aba de krigagem para gerao interativa do
contorno e da grade regular de interpolao, sendo: a) delineamento manual
do contorno limtrofe da grade de interpolao; b) arquivo de texto delimitado
contendo os pares de coordenadas dos vrtices do contorno; e c) definio da
resoluo espacial (i.e.: distncia entre os pontos interpolados) para gerao
da grade de estimao.
98
6.4 Krigagem por Ponto ou por Bloco
A escolha do mtodo para krigagem feita na parte superior

esquerda da aba de krigagem (Figura 6.3), no campo mtodo de es-
timao, Method; selecionando-se alternativamente entre os botes
radiais com as opes de krigagem pontual, Punctual kriging, ou
por blocos, Block kriging. O outro campo relativo a esta definio
do mtodo de krigagem est associado ao tamanho do bloco, Block
Kriging, onde a largura e o comprimento do bloco so definidos em
metros. As caratersticas destas abordagens so detalhadas no Item
3.6, onde:
A krigagem por pontos estima um valor exato para cada ponto
da grade de interpolao, favorecendo assim a representao de
fenmenos com mudanas mais abruptas na variao espacial de
seus valores; e
A krigagem por blocos prediz um valor segundo a mdia ponderada
das observaes de uma rea centrada nos pontos da grade de
interpolao, tendendo a suavizar mais os valores estimados,
quanto maior for o tamanho do bloco. Em contrapartida, um bloco
de 0 m2 equivalente a krigagem por pontos. O tamanho de bloco
pr-definido no Vesper (i,e.: 10 m2) considerando uma resoluo
espacial do clculo que compatvel com a rea definida pela
largura tpica das plataformas e a velocidade de operao das
colheitadeira usadas na AP. O que permite analisar a variabilidade
na mesma escala em que a varivel foi monitorada.
Figura 6.3. Escolha da dimenso espacial para o clculo de interpolao,

sendo o mtodo pontual, ou por blocos.
6.5 Parmetros de Vizinhana
Os nmeros mnimos e mximos de pontos vizinhos a serem

considerados na krigagem so definidos no campo de vizinhana da
interpolao, Neighbourhood for interpolation (Figura 6.4), onde
um mnimo de 90 pontos predefinido considerando a krigagem com
ajuste local do variograma. Este valor tem base na formulao mate-
mtica, considerando que um grupamento de vizinhos com menos de
90 pontos pode comprometer a estatstica para o clculo preciso do
variograma. No caso da amostragem de atributos de solo por grade
regular, em geral com poucos pontos observados em relao a rea
sendo analisada, este valor tem que ser diminudo para viabilizar a
busca pelo nmero mnimo de vizinhos.
No campo que define o raio de busca por vizinhos, Search Ra-
dius, possvel definir uma distncia at a qual, um ponto conhecido
vai ser considerado como vizinho do ponto da grade de interpolao
sendo estimado. Com a opo Calculate radius selecionada o raio
de busca calculado de forma automtica em funo da densidade
amostral. A opo predefinida e indicada pela equipe envolvida no
desenvolvimento do Vesper.
Figura 6.4. Parmetros de busca por pontos vizinhos na ponderao do

clculo do ponto sendo estimado na grade de interpolao.
6.6 Parmetros Alternativos
Os parmetros de krigagem localizados na parte inferior da aba

so de carter de pesquisa, no visando aplicaes genricas e sendo
pouco documentados no manual do usurio em ingls. Por tanto, so
pouco utilizados. Caso haja dvidas ou interesse no uso destas fun-
es, a equipe responsvel pelo desenvolvimento dever ser contatada.
100
Os parmetros alternativos de krigagem so:
Executa a transformao log-normal nos dados

de entrada antes da interpolao, podendo
Lognormal Kriging ser til quando a anlise exploratria indica
que a varivel no apresenta normalidade na
sua distribuio;
Funo utilizada para evitar valores extremos
Non-negative weight (e.g.: probabilidades, densidades ou
concentraes negativas); e
Sigma2 Fornece uma estimativa da varincia ou
(data uncertainty) incerteza nos dados.
6.7 Execuo da Krigagem
A execuo da interpolao por krigagem s poder ser iniciada

aps a definio de todos os parmetros necessrios aos seguintes
blocos de procedimentos como j descritos, sendo:
Definio do mtodo de krigagem (i.e.: por ponto ou bloco) e
das condies de busca pelo grupamento de vizinhos para a
interpolao (i.e.: raio de busca, nmero mnimo e mximo
de pontos);
Definio do limite e da resoluo da grade de interpolao; e
Definio do modo de ajuste do variograma, sendo local ou
global (Item 5.1). O ajuste em modo local automtico,
basicamente aceitando ou alterando valores predefinidos na
aba Variogram para as variveis de clculo e ajuste do va-
riograma. Em modo global, o ajuste dever ser feito clicando
clicar no boto operacional Fit Variogram para ativao da
sub-janela Variogram Model.
Para iniciar a execuo necessrio o clicar no boto operacio-
nal Run Kriging Program da janela principal como descrito no Item
4.2 (Figura 4.7). A janela de execuo em tempo real automatica-
mente ativada e inicia o processamento caso todas as definies este-
jam bem definidas (Figura 6.5). No lado esquerdo da janela o clculo
e ajuste do variograma acontece dinamicamente em modo local para
cada grupamento de vizinhos dos pontos da grade de interpolao, e
em modo global apresenta um variograma esttico como ajustado na

sub-janela Variogram Model para todos os pontos observados. Do
lado direito no topo apresentada a janela mvel da krigagem com
ajuste local, onde o ponto azul claro representa o local da grade de
interpolao sendo computado, e a nvem de pontos em magenta o
grupamento de vizinhos dentro do raio de busca. No modo global, a
grade amostral representada por pontos fixos em magenta. Na par-
te inferior do lado direito, o mapa resultante da krigagem vai sendo
construdo ponto a ponto na resoluo da grade de interpolao com o
valor estimado da varivel em anlise, representado por uma legenda
distribuda entre valores mnimos, em vermelho, e mximos, em azul.
Ao fim o usurio indagado se deseja abrir a janela de apresentao
dos resultados com o mapa da predio dos valores e do erro associa-
do as estimativas.
Quando os arquivos de entrada tm mais de 5.000 registros, as
funes de predio espacial so facilitadas com a opo de krigagem
utilizando o ajuste de variogramas locais. Nada impede que o modo
local seja usado com acervos de dados em alta densidade, apenas re-
sultando numa interpolao mais suavizada. J o inverso no vivel,
pois arquivos com um nmero limitado de registros no propiciaro
um nmero de vizinhos suficientes para permitir estimativas locais.
Durante a execuo da krigagem, o Vesper emite uma janela de alerta
nestes dois casos. Para arquivos com menos de 100 pontos (Figura
6.6), restringindo a krigagem de se o modo local estiver selecionado
e indicando o uso do modo global. Para arquivos com mais de 5000
pontos (Figura 6.7), sugerindo o uso do modo local se o modo global
estiver selecionado.
102
Figura 6.5. Sub-janela de krigagem com dados em alta densidade amostral,

apresentando o ajuste dinmico de variogramas locais a esquerda e, a direita,
o ponto sendo estimado em azul, o grupamento de vizinhos em magenta e o
mapa das estimativas atualizado em tempo real.
Figura 6.6. Janela de alerta restringindo a krigagem em modo local para

arquivos com menos de 100 observaes, neste caso indicando o uso do
modo global
Figura 6.7. Janela de alerta sugerindo a krigagem em modo local para

arquivos com mais de 5000 observaes.
Seo 3
Depois do Vesper
Captulo 7
Importao em SIG
7.1 Mapas Georreferenciados
Aps os procedimentos de interpolao por krigagem, os resul-

tados da estimativa em grade regular podem ser importados em SIG,
resultando em mapas temticos no formato raster (i.e.: matricial ou
grade regular) contendo a espacializao contnua de isovalores do
atributo analisado. No SIG, outras bases de dados georreferenciados
podem ser visualizadas, superpostas e agrupadas. O uso de ambientes
de geoinformao requisitam conhecimentos de preceitos cartogrficos
e da topologia de mapas digitais que devem ser considerados pelo
usurio e podem ser encontrados em vrias publicaes de referncia
(STAR; ESTES, 1990). Estas camadas de informao permitem uma
anlise espacial multivariada capaz de integrar covariveis ambientais
e estruturais (e.g.: imagens de satlite, mapas de relevo, hidrografia e
bases de infraestrutura cartogrficas) com vrios fatores da produo
que tenham sido estimados sobre uma grade de interpolao comum
(i.e.: atributos de fertilidade do solo e produtividade da planta na mes-
ma resoluo espacial), como no exemplo considerado por Valladares
et al. (2009) para o planejamento do esquema amostral de solos em
rea de vinhedo.
No caso da AP, a interpretao dos mapas derivados da inter-
polao permite ao usurio identificar as regies no talho onde o
fenmeno estudado mais uniforme do que em outras. Dessa forma,
a utilizao das tcnicas de geoestatstica permitem amparar decises
estratgicas e operacionais em relao ao sistema de manejo diferen-
ciado a ser adotado, seus potenciais impactos ambientais e produtivi-
dade esperada das diferentes variedades. Essa uma contribuio da
106
geoestatstica para o desenvolvimento de uma estratgia de produo

agrcola eficiente e sustentvel com a adoo consciente da AP.
7.2 Converso em ASCII Raster Grid
Este captulo resume-se a descreve o passo a passo no pro-

cesso de importao dos arquivos resultantes da krigagem no Ves-
per, como definidos no Item 4.4, Converso de Resultados. Os
procedimentos so relativos aos arquivos de texto convertidos no
Vesper para o formato ARC View/GIS ASCII Raster Grid (Figura
7.1), uma vez direcionados a ilustrar a gerao de mapas matri-
ciais como camadas de informao em ambientes SIG. Para isto
utilizado o software livre Quantum GIS, o qual, em sua nova verso
QGIS 2.12 Lyon, lanada em Outubro de 2015, apresenta uma
rotina de interface facilitada para a importao de arquivos textos
delimitados em diferentes formatos e um comando especfico para
importao direta de diversos formatos de grades matriciais em tex-
to ASCII (i.e.: American Standard Code for Information Interchan-
ge). O QGIS trabalha diretamente ou exporta formatos proprietrios
do ArcView, como Shape File (i.e.: arquivo no formato vetorial com
extenso .shp) e Grid File (i.e.: arquivo no formato matricial com
extenso .grd), que so os mais comumente usados para inter-
cmbio de mapas digitais.
Figura 7.1. Janela do Vesper para converso do resultado da krigagem em

arquivos texto no formato ARC View/GIS ASCII Raster Grid.
7.3 O QGIS
Na busca por ambientes livres para o processamento de mapas

em SIG, o QGIS figura como uma opo de interface facilitada, bastan-
te completa nas opes de comandos para anlise espacial integrada e
lgebra de mapas. O idioma de sua interface altera-se automaticamen-
te segundo as definies regionais e de teclado no sistema operacional
do computador sendo utilizado. Importa e exporta os formatos mais
usuais de diversos ambientes SIG, vetoriais e matriciais. O QGIS um
software com cdigo fonte que pode ser livremente estudado e modi-
ficado, o que tem alavancado sua rpida evoluo e popularidade. O
QGIS est disponvel em Windows, MacOS X, Linux e Android; dis-
pondo de comunidades ativas para troca de experincias em todas as
108
plataformas. Os pacotes binrios (instaladores) para a verso estvel

atual 2.12, em 23/10/2015, esto disponveis para serem baixados
via download em portugus5.
Dvidas podem ser colocadas em um grupo de discusso6 ou
consultadas no guia de usurio disponvel7, ambos em portugus.
7.4 Importao de ArcView ASCII Raster Grid
Depois de baixar, instalar e iniciar o QGIS O seguinte roteiro de-

ver ser seguido, a partir da janela principal, para a gerao de uma
camada de informao georreferenciada.
1. Na opo Camada do menu principal de comandos, navegar at
Adicionar Camada e selecionar Adicionar Camada Raster para
abrir a sub-janela de importao de dados no formato raster (Figura
7.2);
2. Na sub-janela de importao de dados Abrir uma fonte de dados
GDAL suportada, clicar na barra de rolagem de formatos de
arquivos suportados, e selecionar o formato Arc/Info ASCII Grid
(*.asc *.ASC); navegar at a pasta de trabalho e selecionar o
arquivo de extenso .asc e clicar em Abrir (Figura 7.3);
3. Na sequncia, a sub-janela Seletor de Sistema de Coordenadas
de Referncia (Figura 7.4) automaticamente aberta para que se
possa definir os parmetros de georreferenciamento cartogrfico que
so relativos a rea de estudo. Esta etapa envolver uma definio
mnima dos parmetros cartogrficos de um mapa, como discutido
a seguir.
4. Na barra de rolagem Sistema de referncia de coordenadas
do world da sub-janela Seletor de Sistema de Coordenadas
de Referncia, selecionar, entre as inmeras combinaes de
projees e Datum oficiais para a cobertura de todo o globo. Uma
vez identificada o sistema de referncia, clique no boto OK
(Figura 7.4). Os dados krigados aparecero na janela do QGIS como
5 http://www.qgis.org/pt_BR/site/forusers/download.html
6 http://groups.google.com/group/qgisbrasil
7 http://qgisbrasil.org
uma camada incorporada a base, com referncias de localizao,

topologia e escala de representao (Figura 7.5)
As informaes cartogrficas necessrias para uma preciso da
base de geoinformaes so definidas por parmetros de georreferen-
ciao associadas as observaes por ocasio da coleta ou as bases
oficiais de refernciamento cartogrfico. Como os dados importados do
Vesper, por requisio no formato entrada, j se encontram em coor-
denadas retangulares de projees cartogrficas (i.e.: coordenadas X
e Y, em metros); os mesmos parmetros definidos na transformao
dos dados brutos, originalmente em sistema de coordenadas geogr-
ficas (i.e.: Latitude e Longitude, em graus), devem ser definidos nesta
sub-janela. Os dados brutos so coletados com referncias diretas do
GNSS disponvel, em geral fornecidas em coordenadas esfricas WGS
84, que so posteriormente convertidas em um sistema de projeo
cartogrfica de referncia, usualmente em coordenadas cartesianas da
projeo Universal Transversa de Mercator (UTM), o qual requisita a
definio da zona UTM associada a localizao da rea considera-
da. Atualmente, existe um novo sistema de referncia definido para o
Brasil, o SIRGAS 2000, em substituio ao tradicionalmente usado,
o SAD 69 (i.e.: South American Datum 1969). No caso da rea sob
monitoramento intensivo considerada como exemplo neste livro, lo-
calizada em Rio Verde, GO, definiu-se a projeo UTM, Zona 22 Sul,
no sistema SIRGAS (Figura 7.4). Conceitos bsicos de cartografia so
necessrios para uma gerncia precisa dos mapas georreferenciados
em ambiente SIG, e podem ser consultados em Banker (1965) e IBGE
(1998). Caso os parmetros cartogrficos no sejam conhecidos no
momento da importao, o usurio poder clicar no boto Cancelar,
o que no impedir a importao. A nova camada continuar apare-
cendo com suas georreferncias em coordenadas cartesianas, entre-
tanto, deslocada em relao aos sistemas de referncia oficiais.
Outra alternativa para a adio de uma camada raster, em subs-
tituio ao passo 1 do procedimento descrito acima, est no cone
Adicionar Camada Raster ( ), localizado na Barra de Ferramen-
tas Gerenciar Camadas, como realado em vermelho na Figura 7.2.
Posteriormente seguindo os passos de 2 a 4 como especificados aci-
ma. Uma vez o mapa j importado, este poder ter seus valores ca-
tegorizados, em modo contnuo, em intervalos definidos pelo usurio
110
ou mesmo automaticamente. As classes podem ser associadas a uma

legenda de cores que facilitar a visualizao dos padres de variao
espacial (Figura 7.6). Para isto necessrio seguir os seguintes pas-
sos:
1. (Figura 7.6). Para isto necessrio seguir os seguintes passos: No
painel Camadas, navegar sobre o nome da camada importada,
neste exemplo CEa kriged Arc, e clicar com o boto da direita do
mouse para ativar o menu Propriedades (Figura 7.6.a) e abrir a
sub-janela Propriedades da Camada;
2. Selecionar a aba Estilo, da sub-janela Propriedades da Camada,
para definir a renderizao desejada para o mapa importado, com
legenda de cores segundo a classificao em faixas de valores de CEa.
3. Na interface Renderizao da Banda na janela da aba Estilo,
selecionar Banda simples falsa-cor na barra de rolagem Tipo de
renderizao;
4. Aceitar as seguintes predefinies: Banda 1 na barra de rolagem
Banda; Linear na barra de rolagem Cor de interpolao; e
Contnuo na barra de rolagem Modo;
5. Selecionar a tabela de cores entre as opes disponveis na barra de
rolagem na interface Gerar novo mapa de cores, e clicar no boto
Classificar (Figura 7.6.b).
6. Por fim clicar no boto OK para visualizar o mapa de CEa com
legenda de cores em intervalos absolutos da varivel (Figura 7.7)
Figura 7.2. Seleo de comandos do menu principal para abrir a sub-janela

de importao de arquivos em formato ARC View/ GIS ASCII Raster Grid.
Figura 7.3. Sub-janela de importao direta de arquivos em formatos GDAL

suportados que inclui o formato ARC View/ GIS ASCII Raster Grid.
112
Figura 7.4. Sub-janela Seletor de Sistema de Coordenadas de Referncia

para definio dos parmetros de georreferenciamento preciso do mapa sendo
importado em ambiente SIG.
Figura 7.5. Mapa de CEa importado no QGIS a partir dos mapas estimados
no Vesper.
(a) (b)
Figura 7.6. Procedimento de Renderizao da banda do mapa importado
com diferentes opes de legenda, selecionando: a) a sub-janela Propriedades
da Camada; e b) a aba de Estilo.
114
Figura 7.7. Mapa de CEa renderizado como Banda simples falsa-cor e

legenda de cores por interpolao linear em modo contnuo definindo 5 faixas
de valores.
7.5 Importao de Texto Delimitado
A importao de arquivos de texto delimitado (e.g.: por vrgu-

las, por tabulaes ou por espaos) pode ser diretamente realizada no
menu de comandos de camadas do QGIS para diferentes formatos tex-
tuais (e.g.: .csv, .txt ou .asc). Esta interface oferece opes que
atendem os diferentes tipos de delimitao textual criadas no Vesper
para os resultados da krigagem, gerao da grade de interpolao e
gerao do contorno da rea considerada; bem como outros arquivos
de texto contendo dados brutos de entrada gerados no monitoramento
intensivo.
Visualizao Georreferenciada dos Dados Brutos

Conforme anteriormente mencionado como opo para visuali-
zar os dados de entrada (Item 2.5), detalhamos abaixo os procedimen-
tos para, a partir da barra de comandos na janela principal do QGIS,

importar uma nova camada de dados georreferenciados.
1. Na opo Camada do menu principal de comandos, navegar at
Adicionar camada e selecionar Adicionar camada a partir de um
texto delimitado para abrir a sub-janela de importao de dados
no formato de texto delimitado (Figura 7.8);
2. Na sub-janela de importao de dados Criar uma camada
a partir de arquivo de texto delimitado (Figura 7.9), clicar no
boto Procurar, ao lado do campo Nome do Arquivo para
abrir a sub-janela Escolha um arquivo de texto delimitado para
abrir e selecionar a extenso e o nome do arquivo textual a ser
importado (i.e.: .txt, .csv, .dat, ou .wkt). Observar no painel
de visualizao desta sub-janela a apresentao do contedo do
arquivo sendo importado (Figura 7.10). Esta visualizao permite
subsidiar a seleo das opes de formato, registro, campo e
geometria para definir a formatao correta do arquivo de texto
(Figura 7.9);
3. Aps as definies de formatao, especificar um nome parta a
camada a ser criada, certificar-se do formato correto do arquivo na
rea destinada a pr-visualizao (Figura 7.9) e clicar em OK.
Figura 7.8. Seleo de comandos do menu principal para abrir a sub-janela

de importao de arquivos em formato de texto delimitado.
116
Figura 7.9. Sub-janela Criar uma camada a partir de arquivo de texto

delimitado para formatao do texto na importao de um arquivo de texto.
Conforme discutido no Item 7.4, aps clicar em OK, a sub-jane-

la Seletor de Sistema de Coordenadas de Referncia ser automatica-
mente aberta. Passo onde necessrio definir o mesmo sistema de pro-
jeo cartogrfica relacionada a rea de estudo para se poder observar
a superposio precisa das camadas de informao, no caso dos dados
considerados como exemplo sendo: SIRGAS UTM 22S (Figura 7.4).

delimitado para definio do tipo de extenso e do arquivo de texto sendo
importado em ambiente SIG.
Uma vez selecionado o sistema de georreferncia, ou cancelada

esta opo para uma importao sem definio de uma cartografia
de referncia, o mapa de pontos com a localizao precisa dos locais
observados no monitoramento intensivo aparecer como uma nova
camada no QGIS (Figura 7.11).
Figura 7.11. Mapa dos pontos de observao da CEa, para visualizao

e validao da localizao dos dados brutos gerados no monitoramento
intensivo.
Importando o Contorno de Interpolao Criado no Vesper

Na aba de krigagem do Vesper possvel criar, de forma inte-
rativa, o contorno da rea de krigagem que envolve os pontos de ob-
servao. Este mapa vetorial de contorno gerado pelo Vesper como
um arquivo de texto contendo os pares de coordenadas dos vrtices do
contorno delimitados por tabulao (Figura 7.12.a). No Vesper este ar-
quivo serve para delimitar a grade regular de interpolao a ser gerada
para definir a posio dos pontos a serem estimados na krigagem. Esta
informao pode ser tambm importante na integrao de dados no
SIG, servindo de representao do permetro da rea de estudo ou de
molde para corte de sub rea de outras camadas de informao com
extenso mais abrangente.
No QGIS, a importao do mapa de contorno gerado no Vesper
feita em duas etapas distintas. A primeira segue os procedimentos
118
detalhados acima descritos, importando o arquivo de contorno como

um texto delimitado, conforme os passos para a Visualizao Georrefe-
renciada dos Dados Brutos. Aps esta importao necessrio utilizar
um complemento de software do QGIS denominado Points2One. Este
complemento permitir um processamento onde os pares de coordena-
das dos vrtices do contorno podero ser conectados por arcos, definin-
do assim duas novas camadas vetoriais: um mapa de arcos interligados,
compondo o permetro da rea, e um mapa poligonal preenchendo toda
a extenso da rea. Entretanto, este complemento exige que o arquivo
texto com os pares de coordenadas tenham uma linha de cabealho
identificando as variveis e uma coluna indexadora adicional, definindo
a sequncia correta em que as coordenadas dos vrtices devem ser
conectadas (Figura 7.12.b). Para isto, o arquivo de contorno gerado no
Vesper precisa ser editado, para satisfazer esta requisio antes do pro-
cedimento descrito abaixo ser implementado.
(a) (b)
Figura 7.12. Diferena entre os arquivos de texto contendo os pares de
coordenadas dos vrtices que definem o contorno da rea de estudo, sendo (a)
formatao do arquivo gerado no Vesper com texto delimitado por tabulaes;
e (b) formatao requisitada pelo complemento do QGIS para o arquivo com
cabealho, coluna de indexao e delimitado por vrgulas.
Inicialmente, repetem-se os passos descritos acima para o pro-

cedimento de visualizao georreferenciada dos dados brutos, segundo
as definies de opes ilustradas na Figura 7.13, para obteno da
camada de pontos representada na Figura 7.14.

delimitado para formatao do arquivo texto na importao dos vrtices do
contorno da rea de estudo.
Figura 7.14. Mapa de pontos com os vrtices do contorno da rea definida

no Vesper para krigagem. Resultado da importao de um arquivo de texto
delimitado.
A conectividade entre os vrtices do contorno definido no Vesper

pode ser processada no QGIS para gerar um mapa vetorial de linhas,
120
delineando um limite de anlise, ou de polgonos, definindo uma su-

perfcie sendo analisada. Estes processamentos encontram-se como
opes de comando de um plug-in (i.e.: complemento de software)
denominado Points2One. Este complemento se encontra livre para
download, instalao e gerenciamento atravs da janela Complemen-
tos. Esta janela lista e disponibiliza as ferramentas de todos os repo-
sitrios conectados aos servidores online do QGIS. Para isto bastando
estar conectado Internet, para clicar sobre o nome do complemento
desejado, e, em seguida, clicar no boto Instalar complemento. A
janela Complementos (Figura 7.15) ativada selecionando a aba
Complementos do menu barra de ferramentas, e clicando na opo
Gerenciar e Instalar Complementos. Uma vez a janela aberta, uma
lista de complementos listada por categoria: sendo: Tudo, Insta-
lados, No instalados, Atualizvel e Opes.
O download, instalao e ativao do complemento Points2O-
ne para gerao dos mapas de contorno e de superfcie da rea con-
siderada seguem os seguintes passos:
1. Na aba Tudo (ou No Instalado), utilizar a ferramenta de
busca, campo Buscar, para digitar o nome do complemento.
Conforme a digitao feita, uma lista de nomes de funes afins
dinamicamente atualizada. Neste caso a palavra Point j ser o
suficiente para o plug-in desejado ser localizado;
2. Clicar em cima do nome do complemento, Points2One, e depois
clicar no boto Instalar complemento (Figura 7.16.a);
3. Aps a instalao ser finalizada, o complemento aparecer listado
nas categorias Tudo e Instalados; devendo estar com o seu box
de seleo acionado (Figura 7.16.b) para permitir que a opo de
comando Points2One aparea ativa na aba Vetor da barra de
ferramentas (Figura 7.16.c);
4. A janela Points2One ativada selecionando a aba Vetor do
menu barra de ferramentas, e clicando na opo Points2One
(Figura 7.16.c). Uma vez a janela Points2One aberta, vrias de
opes de comando ficam disponveis para definir o formato e as
caractersticas das camadas sendo geradas (Figura 7.17);
5. Para gerar um mapa de linhas com o contorno da rea, as seguintes
definies devero ser feitas (Figura 7.17.a):
a) Definir a camada de entrada com os pontos dos vrtices do

contorno;
b) Clicar em Create lines;
c) Definir um nome para o arquivo resultante no campo Shape file
de sada; e
d) Ativar a opo Adicionar dados tela, para permitir a
visualizao imediata da camada gerada aps o processamento,
e clicar em OK.
6. Para gerar um mapa de polgonos com a superfcie da rea, as
seguintes definies devero ser feitas (Figura 7.17.b):
a) Definir a camada de entrada com os pontos dos vrtices do
contorno;
b) Clicar em Create polygons;
c) Definir um nome para o arquivo resultante no campo Shape file
de sada; e
d) Ativar a opo Adicionar dados tela, para permitir a
visualizao imediata da camada gerada aps o processamento,
e clicar em OK.
Figura 7.15. Interface para gerenciamento dos complementos instalados no

QGIS para localizao e instalao da extenso Points2One na sub-janela
de complementos.
122
(a)
(b) (c)
Figura 7.16. Seleo do complemento Points2One na aba Vetor do menu
barra de ferramentas (em c), depois de selecionado e instalado na sub-janela
Complementos (em a e b respectivamente).
(a)
(b)
Figura 7.17. Mapas vetoriais gerados a partir do arquivo de contorno de
interpolao definido no Vesper com as coordenadas dos vrtices do contorno
da rea de krigagem, sendo: a) permetro linear; e b) rea poligonal.
Figura 7.18. Superposio de mapas no QGIS, ilustrando os a localizao
dos dados brutos sobre a rea gerada a partir do contorno de interpolao
definido no Vesper.
Captulo 8
Exemplos das Aplicaes na AP

8.1 As Funes da Geoestatstica na Adoo da AP
Este captulo exemplifica sumariamente as possveis funes

que a geoestatstica pode assumir como ferramenta de apoio decisrio
durante o processo de adoo da AP. Como visto na Seo 1, este pro-
cesso envolve uma integrao dinmica e abrangente entre tecnologias
e aes de campo (Captulo 1) e conhecimentos especficos (Captulos
2 e 3) na gesto operacional e estratgica da produo. Este processo
cclico e usa o georreferenciamento como base comum para etapas
que podem ser definidas como: monitoramento intensivo, gerao de
mapas de atributos, planejamento e interveno diferenciada. Etapas
que se tornam mais acessveis ao tomador de deciso com a dispo-
nibilidade de protocolos operacionais bem definidos e/ou aplicativos
para anlises semiautomticas, como o Vesper se propem a ser. O
uso dos procedimentos disponveis nas interfaces do Vesper (Seo 2)
atendem funes diretamente ligadas as etapas de gerao de mapas
e planejamento das intervenes diferenciadas na fertilidade do solo
ou no controle de pragas e plantas invasoras.
Os exemplos apresentados neste captulo ilustram aplicaes
com dados gerados por duas abordagens frequentemente adotadas na
produo de gros em sistemas de plantio direto na regio do Cerrado,
sendo: a amostragem da fertilidade do solo por grade e o monitora-
mento em modo contnuo com sensores de CEa. O objetivo orientar
o usurio do Vesper sobre como os procedimentos de variografia e
krigagem descritos na Seo 2 se associam com as etapas do processo
de adoo do manejo por stio-especfico. Em particular, tipificando o
potencial da geoestatstica como ferramenta bsica nas prticas de
manejo da fertilidade por taxas variadas. As consideraes no envol-
126
vem a crtica agronmica aos resultados das anlises geoestatsticas,

buscando apenas ressaltar aspectos de ordem operacional relaciona-
dos as incertezas nos resultados quantitativos que esto associados
as diferentes densidades amostrais dos dados de entrada. Ainda sob o
aspecto do delineamento amostral do solo, este captulo concluindo a
Seo 3 e complementa o tpico de o que fazer Depois do Vesper,
sugerindo uma potencial aplicao dos sensores de CEa em apoio a
um delineamento amostral mais eficiente.
Destacam-se as seguintes funes da geoestatstica no processo
decisrio:
Avaliar a dependncia espacial de uma varivel dos fatores de
produo
Estimar valores desta varivel para pontos de uma grade de locais
no observados.
Gerar mapas dos diferentes fatores de produo sobre uma grade
comum de interpolao, possibilitando o uso de camadas de
informao para anlise espacial multivariada em SIG.
Delinear esquemas amostrais e MZs em funo da variabilidade
espacial estimada.
8.2 Monitoramento Intensivo na Produo de Gros
Os dados e os mapas apresentados em toda a extenso do livro

so de uma rea de produo de gros, em regio de Cerrado, que se
encontra em fase inicial da adoo da AP. So resultados de um estudo
no qual, alm das questes agronmicas centrais, foram discutidos
os aspectos quantitativos da geoestatstica aplicada na caracterizao
da variabilidade espao-temporal dos atributos de solos para fins do
manejo de insumos por taxas variadas em um sistema de produo
com fertilidade construda. A rea, denominada de Talho 6 (T6), fica
localizada na Fazenda Cruzeiro do Sul, no municpio de Castelndia,
sudoeste goiano (Figura 8.1). Os dados de monitoramentos intensivos
foram coletados utilizando duas abordagens tpicas no processo de
adoo da AP no Brasil. Os dados monitorados no perodo entre as
safras de 2009 e 2011 faz parte de 15 experimentos da Rede AP em
reas de produo comercial de culturas anuais e perenes.
Figura 8.1. Mapa de localizao do talho de estudo, no Municpio de

Castelndia, GO, e superposio da malha de interpolao sobre a imagem
de satlite da fazenda.
O talho tem 35 ha de extenso sob produo de gros em siste-

ma de plantio direto com rotao das culturas de soja, milho e sorgo. O
solo predominante um Latossolo Vermelho distrofrrico desenvolvido
sobre material basltico da formao Serra Geral, as margens do Rio
dos Bois e com altitude mdia de 455 m.
As etapas de adoo da AP neste talho envolveram o monitora-
mento intensivo do solo mediante diferentes abordagens operacionais
dados gerados em diferentes densidades amostrais, sendo: a) a amos-
tragem de solos por grade em malha de uma amostra por hectare (35
observaes, Figura 8.2.a); e b) o monitoramento intensivo das medidas
de CEa (7.480 observaes, Figura 8.2.b). Amostras por grade foram
coletas aps a colheita da safrinha, na profundidade de 0 a 20 cm, com
uso de um amostrador de rosca motorizado de uma polegada; sendo
cada amostra formada por 10 subamostras tomadas em um raio de 20
metros a partir dos pontos da malha georeferenciada com espaamento
de 100 m. Isto resulta em valores absolutos de atributos determinados
em laboratrio e associados a uma observao georeferenciada e repre-
sentativa para uma rea de 100 X 100 m (i.e.: 1 ponto por hectare).
As determinaes analticas foram realizadas nos laboratrios de solo
da Universidade de Rio Verde. O monitoramento georreferenciado das
medidas de CEa foi realizado utilizando a tecnologia em rastreamento
contnuo por contato nas profundidades de 30 cm e 90 cm com a tecno-
128
logia Veris 3100 (Veris Technologies) segundo implementaes fsicas

e caractersticas de operao descritas em Rabello et al. (2008).
O pr-processamento considerou a transformao de coordena-
das geogrficas para o sistema de projeo UTM, descrita no Item 7.4,
e a anlise de distribuio dos dados dos atributos de fertilidade do
solo determinados em laboratrio, como demostrado no Item 2.1. Os
procedimentos de krigagem ordinria (itens 3.6) foram realizados para
estimativas por blocos de 10 m2 e raio de busca proporcional a maior
distncia entre as observaes, gerando mapas com valores dos atri-
butos estimados para todos os pontos da grade de interpolao com
um intervalo de 5 m (em detalhe na Figura 8.2.c), derivando um mapa
com a informao complementar sobre os valores do erro associado as
estimativas em cada ponto da grade.
(a) (b) (c)

Figura 8.2. Distribuio espacial e densidade amostral dos dados monitorados
e resoluo das estimativas da krigagem, respectivamente: a) grade amostral
com 1 ponto por hectare, b) monitoramento contnuo de CEa; e c) grade de
interpolao de 5 x 5 m.
8.3 Dependncia Espacial da Fertilidade do Solo
Umas das aplicaes prticas dos procedimentos de variografia

descritos no Captulo 5 a anlise preliminar da dependncia espa-
cial dos diferentes atributos sendo analisados, antes mesmo dos par-
metros calculados serem usados para fins da gerao de mapas por
krigagem. Entre outros parmetros indicativos no clculo e ajuste dos
variogramas, a distncia a partir da qual a varincia se estabiliza num
patamar (a1) define a autocorrelao espacial de cada um dos atribu-

tos analisados. Ou seja, a distncia a partir da qual espera-se que as
observaes feitas para um atributo especfico (e.g.: macro ou micro
nutriente) em dois pontos distintos deixem de ter valores correlaciona-
dos (i.e.: medidas relativamente iguais).
A Tabela 8.1 apresenta os parmetros de ajuste dos variogra-
mas para os diferentes atributos observados, e indica as respecti-
vas estimativas da dependncia espacial calculada em funo do
coeficiente de alcance relativo a funo de covarincia (i.e.: modelo
terico) ajustada. Nesta tabela possvel observar as diferentes di-
menses de variao dos vrios atributos. Estes valores por si j
indicam as distncias a partir das quais j se poderia considerar o
manejo diferenciado daquele atributo especfico. Como por exemplo,
a aplicao de potssio por taxas variadas com dosagens visando
um aumento no estoque de K em partes de um talho sob sistema
de produo intensiva com fertilidade construda. Entretanto temos
que considerar que estas distncias foram estimadas em funo do
espaamento amostral dos dados utilizados no clculo do variograma
emprico, neste caso particular uma malha amostral de 100 x 100
m. Em outras palavras, no se pode esperar definir a dependn-
cia espacial de uma dada varivel numa dimenso menor do que o
seu espaamento amostral. Apesar de sabermos que a dependn-
cia espacial de uma varivel possa existir em diferentes escalas de
correlao, dependendo dos parmetros de referncia definidos para
o clculo do variograma (descritos no Procedimento de Ajuste em
Modo Global - Item 5.1), este pressuposto no garante porm, que
se possa determinar uma menor distncia de dependncia espacial
apenas por refinar o espaamento amostral. O que pode ser entendi-
do na relao entre os conceitos de estacionaridade e escala amostral
ilustrada na Figura 3.7 (apresentada em Tendncia - Item 3.4).
130
Tabela 8.1 Parmetros dos ajustes do variogramas de atributos de solo e

a dependncia espacial estimada pela distncia de correlao entre pontos
medidos em locais diferentes.
Por isto, antes de definir a grade amostral que vai alimentar

os procedimentos da geoestatstica, as caractersticas inerentes ao
processo sendo analisado e a escala de dependncia espacial para
a qual se pretende representar as variaes dos atributos devem ser
observadas. Isto , se o espaamento definido entre os pontos ob-
servados permite caracterizar a estrutura espacial de variaes do
atributo sendo analisado na escala em que se pretende delinear reas
consideradas homogneas. Estes fatores se no adequadamente
ajustados comprometem diretamente a preciso e a robustez estats-
tica do ajuste do variograma, consequentemente tambm afetando a
qualidade dos mapas krigados.
Como os resultados das anlises destas relaes espaciais so
fortemente influenciadas pela escala e densidade amostral das obser-
vaes de campo, a relevncia do uso das tcnicas de geoestatstica
devem ser cautelosamente avaliadas nos procedimentos de ajuste do
variograma (Item 5.1) sob a perspectiva de conhecimento do processo
fsico-qumico sendo analisado. De forma geral, os processos de solos
e outros relacionados as variaes da produtividade (e.g.: reboleiras,
nematoides, cigarrinhas, ervas daninhas, entre outros) apresentam as
seguintes caractersticas de variao espacial:
So fenmenos que ocorrem de maneira localizada e se espalham
lentamente pelo campo.
Apresentam variveis com distribuio log normal (i.e.: uma

maioria de valores baixos com poucos valores extremamente
baixos) e variogramas errneos (i.e.: efeito pepita e varincia
extremamente altos)
8.4 Mapas Estimados por Krigagem
Umas das prticas mais comuns na adoo da AP no Brasil que

est diretamente relacionada ao uso das tcnicas de geoestatstica
a abordagem de coleta de amostras de fertilidade do solo seguindo
um esquema amostral de observaes feitas em locais determina-
dos por uma grade regular de pontos georreferenciados (BERNARDI;
INAMASU, 2014). Nesta aplicao o uso dos procedimentos descri-
tos no Captulo 6 tem a funo de gerar mapas por krigagem utili-
zando os parmetros de ajuste do variograma obtidos na avaliao
da dependncia espacial de uma varivel. Os mapas de atributos po-
dem ser gerados para vrios atributos dos fatores condicionantes da
produo (e.g.: solo, planta e/ou infestaes) bem como para fatores
relativos ao impacto ambiental da atividade (e.g.: contaminao do
solo por metais pesados ou lenol fretico por lixiviao de insumos).
O acervo de dados gerados pelas observaes por grade amostral
do solo no talho T6 possibilitou a krigagem de atributos de fertilidade.
Os arquivos resultantes da krigagem contm valores estimados a partir
das observaes da vizinhana dos pontos de interseo da grade de in-
terpolao com resoluo de cinco metros (i.e.: locais no observados).
Aps o procedimento de importao em SIG (Item 7.4), estes arquivos
so convertidos no formato raster onde os valores estimados nos pon-
tos de interseo so associados a quadrculas de 5 m2 de uma malha
contnua (Figura 8.3). Este tipo de anlise individualizada da variao
espacial de um atributo selecionado o uso primrio dos resultados da
krigagem, sendo uma abordagem muito difundida pelos servios de con-
sultoria em AP para aplicao de KCl por taxas variadas. A observao
destes mapas permite identificar os locais com maior ou menor concen-
trao de um elemento dentro do talho, viabilizando um planejamento
de aplicao de insumos segundo demandas locais especficas.
Um subproduto vivel com estes resultados a gerao de ma-
pas de predio de custo destas intervenes, calculando o custo da
132
aplicao por taxas variadas e/ou a economia potencial em relao ao

manejo clssico8 para cada rea diferenciada dentro do talho. Estes
mapas permitem calcular com preciso as reas definidas pela clas-
sificao dos valores krigados em diferentes faixas de recomendao
agronmica. Entretanto, esta abordagem foca em solues mais ime-
diatistas e sem o entendimento aprofundado das possveis interpreta-
es dos resultados. Neste sentido, deve-se observar que o conheci-
mento praticado por associaes de produtores de AP9 em avanado
estgio de adoo da tecnologia (i.e.: mais de 10 anos de monitora-
mento intensivo de diversos fatores de produo) descarta este tipo
de anlise individualizada nas fases iniciais da adoo, sugerindo um
acervo de dados de no mnimo trs safras antes formar uma opinio
conclusiva sobre um planejamento amplo e integrado e do manejo das
variaes da produtividade.
Estes procedimentos no so exclusivamente aplicados a dados
observados por grade amostral, e obviamente podem gerar krigagens
mais precisas quando alimentados com dados do monitoramento em
modo contnuo utilizando sensores proximais de atributos de solo. Os
quais podem ser tambm utilizados para melhorar as estimativas atra-
vs da tcnica de co-krigagem para atributos fortemente correlaciona-
dos em seus valores observados.
8 Recomendaes de calagem e adubao com taxa de aplicao uniforme que

calculada pelo teor mdio de nutrientes observados em um nmero limitado
de amostras compostas.
9 Por exemplo a Society of Precision Agriculture Australia - SPAA (http://www.
spaa.com.au/)
Figura 8.3. Exemplos da variabilidade espacial de diferentes atributos de

fertilidade do solo na safra de 2009, com mapas obtidos pela krigagem da
grade amostral de 1 ponto por hectare.
Ainda considerando o monitoramento por grade amostral, os atri-

butos indicados como de maior influncia nas variaes da produtivi-
dade de uma safra podem ser repetidos em safras subsequentes, pre-
ferencialmente, obedecendo as mesmas malhas de entrada (i.e.: grade
amostral) e sada (i.e. grade de interpolao). Os mapas estimados para
safras subsequentes mostram as variaes espao-temporais dos atribu-
tos considerados (Figura 8.4).
Figura 8.4. Mapas krigados possibilitando a anlise da variabilidade espao-

temporal de atributos de fertilidade considerados na definio do manejo
diferenciado de insumos.
134
Outra abordagem a ser explorada com os resultados da kri-

gagem a anlise multivariada dos dados para determinao dos
fatores que mais influenciaram nas variaes observadas no mapa de
produtividade de uma safra especfica. Esta vale-se do fato em que
todas as propriedades monitoradas na safra so usualmente estima-
das para todos os pontos de uma grade de predio nica cobrindo
toda a extenso do talho (Figura 8.2.c). Este denso conjunto de
dados em alta densidade viabiliza o uso de regresses multivariadas
que podem indicar a forte correlao dos fatores de produo que
potencialmente esto influenciando positivamente, considerando as
reas dentro do talo com maior produtividade, ou negativamente
nas reas de menor produtividade. Adicionalmente, outras tcnicas
de anlise multivariada permitem a integrao das contribuies das
variaes individuais dos mapas de atributos em um nico plano de
informao que serve para alimentar algoritmos de segmentao de
imagens capazes de simular o delineamento de MZs para o manejo
por stio-especfico (OLIVEIRA, 2009).
8.5 Monitoramento da Condutividade Eltrica
Informaes geradas a partir de plataformas multissensores para o

monitoramento intensivo na AP podem indicar com mais preciso uma
interveno de campo mais eficiente. Estas so mais facilmente sinteti-
zadas por parmetros do variograma devido a massiva disponibilidade de
pontos observados em modo contnuo, ou como referido mundialmente
on the go (i.e.: durante o caminhamento ou em tempo real). Para
esta abordagem, equipamentos de vrios formatos, j esto acessveis
no mercado e disponveis como parte da consultoria agronmica espe-
cializada. No Vesper, tanto os procedimentos de ajuste automtico do
variograma em modo local (Item 5.1) quanto as opes de krigagem or-
dinria por blocos (Item 6.4) so orientados e disponibilizados para estes
tipos de dados de entrada. Desta forma simplificando bastante algumas
etapas durante o processo de adoo da AP, em particular no que tange
ao apoio em decises operacionais (i.e.: definio do esquema amostral,
gerao de mapas de atributos e indicao dos fatores de produo que
apresentam as estruturas de variao espacial mais correlacionadas com
as variaes observadas nos mapas de produtividade.
Um exemplo desse tipo de servio que muito difundido no

mercado da AP usa o monitoramento da CEa em alta resoluo espa-
cial, utilizando condutivmetros conectados a um GNSS (Item 1.2).
Esta tecnologia vem se mostrando bastante eficaz no processo de
adoo da AP, servindo como uma camada de informao bsica,
que traz em sua autocorrelao espacial uma indicao significativa
da estrutura da variao de propriedades fsicas e qumicas correla-
cionadas a este atributo e que influenciam diretamente a variao da
produtividade (MCBRATNEY et al., 2005; SUDDUTH et al., 2003).
A Figura 8.5 ilustra a alta correlao espacial observada por sensores
de monitoramento intensivo em modo contnuo no talho T6. Estes
dados demonstram tambm o potencial desses sensores em indicar
efeitos sazonais durante uma safra, seja na viabilidade de interven-
es recursivas, como no caso dos sensores no invasivos, ou na ca-
racterizao das condies de referncia da safra, isto da condio
da fertilidade do solo pr-plantio e o resultado da safa na colheita.
Entre os sensores no invasivos podemos destacar os sensores p-
ticos de cultivo por infravermelho, que indicam as requisies de
aplicao de nitrognio e podem ser usados em diferentes momentos
durante a safra (e.g.: Crop Circle). Um exemplo de como os mapas
de CEa gerados em duas profundidades no incio da safra (i.e.: 30
e 90 cm) podem apresentar uma boa correlao com a estrutura de
variao espacial observadas no mapa de colheita (i.e.: r2 = 0,53
e 0,65 respectivamente) apresentado na Figura 8.5. possvel
observar que reas com formatos relativamente similares em locais
de baixa CEa correspondem aos locais de baixa produtividade, prin-
cipalmente na ponta a noroeste e na rea centro-sul do talho. Vale
ressaltar que na experincia com a modelagem multivariada em AP,
as correlaes espaciais entre mapas de atributos no indicam em
geral valores significativos se relativizados a correlaes puramente
numricas, raramente correlacionando mais de 75% da informao
(i.e.: em geral r2 0,75). Fato possivelmente explicado pela dife-
rente natureza das fontes de dados e da estrutura e intensidade da
variabilidade espacial dos processos que elas representam.
136
(a) (b) (c)

Figura 8.5. Correlao entre as estruturas de variao espacial dos dados
de CEa, observados no incio da safra em duas profundidades (a e b), e da
produtividade na colheita (c).
8.6 Estimativas com Diferentes Densidades Amostrais
A natureza do Vesper coloca a questo do erro nas estimativas

da interpolao, apresentando um mapa de erro derivado da krigagem.
Fato que reiterado no nome do aplicativo (i.e.: with Error) e na sub-
-janela dos resultados da krigagem, que inclui o mapa com os valores
do desvio padro na estimativa de cada ponto da grade de interpolao
(Figura 8.6). Este aspecto foi concebido, enquanto aplicativo de pro-
duo, com o intuito de agilizar e facilitar o processamento de dados
observados em alta densidade amostral, em geral coletados em modo
contnuo. Assim se propondo a ter uma funo intermediria, na auto-
mao do fluxo de dados, e facilitadora em estgios iniciais na adoo
da AP; quando o domnio dos conceitos e das tcnicas da estatstica
espacial ainda limitado.
No que o Vesper coloque restries na anlise com dados em
baixa densidade amostral, o que facilmente possvel com a opo
de ajuste do variograma em modo global na sub-janela Variogram
Model (Figura 5.3), mas sua interface visa facilitar os procedimentos
da krigagem com ajuste de variogramas em modo local (Item 5.1).
De uma maneira interativa, o ajuste em modo global (i.e.: menu de
opes Fitting Control Panel) tambm facilita o refinamento manual
dos parmetros de ajuste automticos dos nove modelos tericos pre-

definidos e indica coeficientes do erro do ajuste, porm no disponibili-
za recursos necessrios ao ajuste manual generalizado (e.g.: definio
ou acesso a outros modelos tericos) ou mesmo acesso a mtodos de
validao mais robustos (e.g.: Jack-knifing).
Figura 8.6. Sub-janela de resultados da krigagem, ilustrando o mapa estimado

e o mapa do erro associado a predio.
Dentro deste foco, torna-se ainda mais importante para os usu-

rios do Vesper executando o ajuste do variograma com nmero limi-
tado de pontos a cuidadosa verificao da estatstica descritiva na
anlise exploratria dos dados de entrada (Captulo 2) e a crtica aos
resultados da variografia e da krigagem. Por este motivo, apresenta-
mos resultados tpicos para dados de entrada em baixa e alta densida-
de amostral orientando a crtica aos mapas resultantes da krigagem.
Esta explanao vai de contraposto a prticas comuns do mercado
de servios em AP, onde o monitoramento do solo incide em geral
na exaustiva e custosa abordagem de grades amostrais. Abordagem
que naturalmente induz a uma questo que se tornou latente, talvez
mais do que relevante, na adoo de AP no Brasil, sendo: Quantos
pontos eu preciso coletar para gerar um mapa de atributos de solo
por krigagem?. Esta pergunta posta como uma receita de bolo se
assemelha ao clssico exemplo da questo Com quantos paus se faz
uma canoa, onde talvez seja mais relevante perguntar primeiro: qual
o tamanho (i.e.: o que vou transportar), o propsito (i.e.: atravessar
um rio ou um oceano) e a robustez (i.e.: os requisitos mnimos de se-
138
gurana) da canoa que se pretende construir. De maneira similar a esta

analogia e sob os conceitos discutidos no Item 8.3, a amostragem por
grade orientada aos procedimentos de krigagem para AP precisam ser
dimensionadas segundo: as caractersticas intrnsecas ao fenmeno
sendo modelado; as dimenses das MZs nas quais que se pretende
trabalhar; e o grau de incerteza aceito. Ser a definio destes precei-
tos de amostragem por grade que vo determinar o limite mnimo de
pontos a ser considerado, abaixo do qual o ajuste do variogram, quan-
do possvel, ter base numa estatstica pouco significativa, promoven-
do um alto grau de incerteza no consequente resultado da krigagem.
Os resultados das krigagens com dados em alta (i.e.: CEa)
e baixa densidade (i.e.: atributos de fertilidade do solo) so apre-
sentados como forma de ilustrar a interpretao dos mapas de erro
obtidos com diferentes densidades amostrais. Para os dados co-
letados por grade amostral foi possvel gerar mapas por krigagem
para os atributos chave do estudo agronmico, apesar de requisitar
ajustes manuais laboriosos, em modo global, ou mesmo impossibi-
litar a caracterizao da dependncia espacial de alguns atributos.
Estes resultados indicam que no s um limitado nmero de pon-
tos, mas principalmente a distribuio espacial regular das obser-
vaes em relao ao formato radial do talho T6, no favoreceram
a representao da estrutura de variao espacial do solo. Este
comprometimento entre a densidade amostral desejada e uma me-
lhor distribuio dos pontos (i.e.: melhor cobertura junto as bordas
irregulares do talho) um fato consagrado na gerao automtica
de grades amostrais em AP (SPEKKEN; MOLIN, 2012).A anlise
dos variogramas indicaram que a quantidade (i.e.: 35 pontos) e a
distribuio (i.e.: grade regular) do esquema amostral praticado fi-
cou no limite mnimo do aceitvel para permitir uma representao
significativa das variaes da maioria dos atributos, requisitando
ajustes manuais difceis e condicionados (e.g.: Potssio, pH, Fsfo-
ro, Clcio e Magnsio), ou mesmo insuficiente para alguns ajustes
(e.g.: Zinco, Nitrognio, Cobre e Mangans) e inviabilizando o pro-
cedimento de krigagem.
A Figura 8.7 ilustra alguns resultados das simulaes com ajus-
tes manuais condicionados pelo espaamento e a distribuio espacial
da grade amostral praticada. O espaamento de 100 X 100 m parece
no ter atendido a escala de variao para todas variveis. Isto pode

ser observado em analogia com as estruturas de variao espacial
como apresentadas em Camargo et al. (2004), como apresentado no
Item 3.4 (Figura 3.8). Estes comportamentos foram observados para
pH (Figura 8.7.a) e Potssio (Figura 8.7.b) apresentando componen-
tes aleatrios espacialmente correlacionados em diferentes distncias
mximas entre os pares e com diferentes qualidades dos ajustes, res-
pectivamente, baixa varincia em at 600 m e alta varincia em at
420 m. Apesar da convergncia no ajuste destes dois atributos (i.e.:
mensagem Solution converged na interface), suas krigagens iro
produzir mapas com diferentes nveis de erro nas estimativas, conse-
quentemente gerando um mapa de Potssio muito mais incerto que
o mapa de pH. Apesar da regresso ter convergido para um patamar
no ajuste automtico do Potssio, possvel observar valores muito
altos para o efeito pepita e a amplitude da varincia, alm dos valores
extremos dos coeficientes de validao e um limitado nmero de pares
no clculo do variograma (i.e.: entre 13 e 78 pares). J no caso do
Zinco, a regresso alcana um valor mximo sem definir um patamar
de ajuste (i.e.: mensagem Interaction has reached maximun na in-
terface) na escala da grade amostral (Figura 8.7.c), o que pode indicar
um processo no estacionrio, ou converge para um rudo aleatrio em
distncias menores (Figura 8.7.d).
Podemos observar como a limitada disponibilidade de pontos
observados dificulta, ou mesmo impossibilita, uma variografia bem
ajustada conforme discutido nos itens 3.3 e 3.4. A baixa disponibilida-
de de observaes limita o nmero de pares, principalmente em lags
de menores distncias, gerando parmetros menos precisos da depen-
dncia espacial. Isto afeta diretamente os resultados da interpolao,
sendo possvel observar nestes casos que a krigagem s apresenta
bom desempenho na vizinhana imediata dos pontos observados (Fi-
gura 8.8). No Vesper, este erro pode ser observado por intermdio do
mapa apresentado na janela de visualizao dos resultados da kriga-
gem, onde em cada ponto da grade de interpolao as estimativas
mais precisas so representadas em tons do vermelho ao amarelo e as
menos precisas em tons do verde ao azul. Esta informao possibilita
uma visualizao das as partes do talho onde as estimativas esto
tendo maior ou menor confiabilidade.
140
(a) (b)
(c) (d)
Figura 8. 7. Resultados tpicos de ajustes manuais condicionados, indicando
em diferentes escalas de variao: componentes espacialmente correlacionados
para pH (em a) e Potssio (em b); e um componente correlacionado com
tendncia (em c) ou aleatrio (em d) para diferentes escalas da dependncia
espacial do Zinco.
Estas observaes reiteram a importncia do esquema amostral

nas anlises geoestatsticas. Questo esta que pode ser considerada
dentro de dois critrios bsicos nas aplicaes da AP, sendo:
Uma amostragem adequada ao tamanho das reas que se pretende
caracterizar. Isto , uma estimativa que considere as dimenses
das reas homogneas para um determinado processo de
fertilidade do solo ou para um planejamento operacional segundo
a disponibilidade de implementos agrcolas. Nestes casos, o
espaamento entre amostras dever ser menor do que as manchas
sendo consideradas; ou
Uma amostragem inteligente, onde se faz uso da variabilidade de

variveis indicativas para avaliar e estimar a densidade amostral
adequada.
Figura 8.8. Mapa do erro das estimativas ilustrando a influncia do limitado

nmero de observaes na preciso dos resultados do ajuste do variograma.
8.7 Modelos Parametrizados na Variografia
A busca por ferramentas mais efetivas para as etapas iniciais do

processo de adoo da AP justifica-se na complexidade operacional
e o alto custo das intervenes atualmente disponveis para o ma-
nejo diferenciado. Decises que requisitam modelos mais simples e
acessveis (MCBRATNEY et al., 2005) em contraste ao histrico das
significativas contribuies em modelos quantitativos parametrizados
pelo variograma (DIGGLE; RIBEIRO JUNIOR, 2007, HAMLETT et al.,
1986). Entretanto, estes modelos so frutos de investigaes cientfi-
cas que envolvem o conhecimento especfico e uma elaborada formu-
lao matemtica, sendo em sua maioria pouco ou nada acessveis
aos agricultores e tcnicos agrcolas. preciso integrar os conceitos
agronmicos, os mtodos quantitativos e a tecnologia avanada de for-
142
ma mais gradativa aos processos j estabelecidos para gerenciamento

operacional do campo.
Alguns modelos matematicamente simples com base nos par-
metros de ajuste do variograma sugerem a razo de aleatoriedade
(Cambardella et al., 1994) ou a razo de dependncia (ZIMBACK,
2001). Estes podem ser facilmente calculados, gerando indicadores
categricos semi-quantitativos que indicam o grau da estrutura espa-
cial da variao (i.e.: fraca, mdia e forte). Outra opo de referncia
da dependncia espacial de atributos de solo, prope a estimativa de
variogramas mdios e proporcionais que orientam na definio de flu-
xos decisrios na adoo da AP (MCBRATNEY; Pringle, 1999). Um
exemplo de modelagem voltada para extrair informaes de acervos de
dados em alta densidade prope um ndice de oportunidade na adoo
da AP, o qual considera dois componentes parametrizados pelo vario-
grama e pelas dimenses operacionais. Este considera a magnitude e
a estrutura espacial da variao (OLIVEIRA, 2009), ajustando a for-
mulao original (PRINGLE et al., 2003) para o cultivo de gros. Este
modelo tambm teve os fatores de carter operacional ajustados para
compensar obstculos morfolgicos nas intervenes em talhes de
vitivinicultura (TISSEYRE; MCBRATNEY, 2007). Este ndice considera
a covarincia mdia de todo o talho, o efeito pepita do variograma
e um coeficiente de variao por unidade de rea para quantificao
da magnitude da variao. A estrutura espacial da variao considera
a maior distncia de autocorrelao da varivel e um comprimento
operacional estabelecido segundo as dimenses da plataforma e a ve-
locidade de operao do implemento agrcola. A Tabela 8.2 apresenta
os resultados de alguns destes indicadores para atributos de solo sele-
cionados do talho T6.
Tabela 8.2 Caracterizao de ndices parametrizados pelo variograma para

quantificao da dependncia espacial e da oportunidade na adoo da AP.
Por fim, um ponto inovador a ser observado nesta abordagem

quantitativa que os modelos baseiam-se na ideia de analisar e di-
mensionar a variao dos fatores de produo diretamente sobre os
valores observados em alta densidade.
Concluso
Esta obra introduz um resumo dos conceitos bsicos da geoes-

tatstica e da insero das suas tcnicas no contexto da adoo da
Agricultura de Preciso. Tem como ponto central o uso de um software
aplicativo concebido para ser acessvel e eficiente no processamento
de dados oriundos do monitoramento intensivo e na gerao de in-
formaes quantitativas em apoio a tomada de deciso. O contedo
no se prope a ser completo ou detalhado na descrio formal ou
apresentao das tcnicas de geoestatstica, tendo o objetivo de ser
informativo e prtico, enquanto apresentando a interface do Vesper
para procedimentos de anlise do variograma e interpolao por kri-
gagem. Esta apresentao feita na forma de traduo do manual de
uso, disponvel apenas em ingls, sendo fiel a forma de apresentao
dos procedimentos do documento original.
A expectativa a de se ter produzido um conjunto de orienta-
es tcnicas, referncias tericas e exemplos prticos que possam
ser teis tanto na investigao cientfica quanto na assistncia tc-
nica das aes de campo. Sem entrar no mrito das formulaes
matemticas, o livro busca, a cima de tudo, ser objetivo, ilustrativo,
acessvel e claro quanto ao potencial de aplicao da geoestatstica
na realidade do campo, transformando uma simples descrio de
procedimentos operacionais na oportunidade de passar uma men-
sagem didtica que auxilie no entendimento das tcnicas. Acre-
ditamos que o contedo como apresentado esteja acessvel para
aqueles usurios em fases iniciais de contato com a geoestatstica,
por traduzir a viso de especialistas que ingressaram nesta rea do
conhecimento pelo lado aplicado e operacional das investigaes
de campo em Agricultura de Preciso.
A execuo dos procedimentos descrita passo a passo na se-
quncia lgica da anlise geoestatstica, e suas aplicaes ilustradas
de forma cronolgica com o ciclo de adoo das tcnicas de manejo
da produo por stio-especfico. Desta forma, esperamos viabilizar
para os leitores uma viso ampla e aplicada das tcnicas que podem
facilitar a integrao e o entendimento da massiva quantidade de da-
dos heterogneos e assncronos gerados pela rpida proliferao de
diferentes sensores de campo. Questes estas que qui potencializem
146
um conhecimento agronmico incremental, dado volume de informa-

es disponveis permitindo uma viso mais detalhada das relaes
espao-temporais dos processos agronmicos.
Referncias Bibliogrficas
ADAMCHUK, V. I.; HUMMEL, J. W.; MORGAN, M. T.; UPADHYAYA, S. K. On-the-go

soil sensors for precision agriculture. Computers and Electronics in Agriculture, v. 44,
n. 1, p. 71-91, Jul. 2004.
AKAIKE, H. Information theory and an extension of maximum likelihood principle.
In: INTERNATIONAL SYMPOSIUM ON INFORMATION THEORY, 2., 1973, Budapest.
Proceedings Budapest: Akademia Kiado, 1973. p. 267-281.
BANKER, M. P. R. de. Cartografia: noes bsicas. Rio de Janeiro: DHN, 1965. 242 p.
BERALDO, P.; SOARES, S. M. GPS: introduo e aplicaes prticas. Cricima: Lua-
na, 1995. 150 p.
BERNARDI, A. C. de C.; INAMASU, R. Y. Adoo de agricultura de preciso em algu-
mas das principais regies agrcolas brasileiras. In: CONGRESSO BRASILEIRO DE AG-
RICULTURA DE PRECISO, 2014, So Pedro, SP. Anais... Jaboticabal: SBEA, 2014.
Disponvel em: <http://www.sbea.org.br/conbap/2014/trabalhos/R0039-1.PDF>.
Acesso em: 19 jul. 2015.
BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; IN-
AMASU, R. Y. (Ed.). Agricultura de preciso: resultados de um novo olhar. Braslia,
DF: Embrapa, 2014. 596 p.
BOLFE, E. L.; GOMES, J. B. V. Geoestatstica subsidia agricultura de preciso. 2005.
Disponvel em: <http://www.paginarural.com.br/artigo/998/geoestatistica-subsid-
ia-agricultura-de-precisao>. Acesso em: 19 jul. 2015.
CMARA, G.; MEDEIROS J. S. de. Geoprocessamento para projetos ambientais. So
Jos dos Campos: Inpe, 1996.
CMARA, G.; MEDEIROS, J. S. de. Princpios bsicos do geoprocessamento. In: AS-
SAD, E. D.; SANO, E. E. (Ed.). Sistema de informaes geogrficas: aplicaes na
agricultura. 2. ed. rev. e ampl. Braslia, DF: Embrapa-CPAC, 1998. p. 411-423.
CAMARGO, E. Geoestatstica: fundamentos e aplicaes. In: CMARA, G.; ME-
DEIROS, J. S. de (Org.). Geoprocessamento para projetos ambientais. 2. ed. So
Jos dos Campos: Inpe, 1998.
CAMARGO, E. C. G.; FUKS, S. D.; CMARA, G. Anlise espacial de superfcies. In:
DRUCK, S.; CARVALHO, M. S.; CMARA, G.; MONTEIRO, A. V. M. (Ed.). Anlise
espacial de dados geogrficos. Planaltina, DF: Embrapa Cerrados, 2004. cap. 3.
Disponvel em: <http://www.dpi.inpe.br/gilberto/livro/analise/cap3-superficies.pdf>.
Acesso em: 19 jul. 2015.
CAMBARDELLA, C. A.; MOORMAN, T. B.; NOVAK, J. M.; PARKIN, T. B.; KARLEN,
D. L.; TURCO, R. F.; KONOPKA, A. E. Field-scale variability of soil properties in cen-
tral Iowa soils. Soil Science Society of America Journal, v. 58, n. 5, p. 1501-1511,
1994.
148
CRESSIE, N. A. C. Statistics for spatial data. New York: J. Wiley and Sons, 1991.
900 p.
DEUTSCH, C. Correcting for negative weights in ordinary kriging. Computers & Geo-
sciences, v. 22, n. 7, p. 765-713, Aug. 1996.
DIGGLE, P. J.; RIBEIRO JUNIOR, P. J. Model-based geostatistics. New York: Springer,
2007. 228 p.
GARCIA, P. A. G. Geoestatstica operacional. Braslia, DF: Ministrio de Minas e Ener-
gia, Departamento Nacional da Produo Mineral, 1988. 145 p.
GEBBERS, R. Current crop and soil sensors for precision agriculture. In: CONGRES-
SO BRASILEIRO DE AGRICULTURA DE PRECISO, 2014, So Pedro, SP. Anais...
Jaboticabal: SBEA, 2014. Disponvel em: <http://www.researchgate.net/publica-
tion/272016538_Current_Crop_and_Soil_Sensors_for_Precision_Agriculture>. Aces-
so em: 19 jul. 2015.
GOOVAERTS, P. Geostatistics for natural resources evaluation. New York: Oxford Uni-
versity Press, 1997. 483 p.
GREGO, C. R.; VIEIRA, S. R. Variabilidade espacial de propriedades fsicas do solo em
uma parcela experimental. Revista Brasileira de Cincia Solo, Viosa, MG, v. 29, n.
2, p. 169-177, 2005.
GREGO, C. R.; OLIVEIRA, R. P. de; VIEIRA, S. R. Geoestatstica aplicada a agricul-
tura de preciso. In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de;
BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de preciso: resultados de um novo
olhar. Braslia, DF: Embrapa, 2014. p. 74-83.
HAAS, T. C. Kriging and automated variogram modeling within a moving window.
Atmospheric Environment. Part A. General Topics, v. 24, n. 7, p. 1759-1769, 1990.
HAMLETT, J. M.; HORTON, R.; CRESSIE, N. A. C. Resistant and exploratory tech-
niques for use in semivariogram analyses. Soil Science Society of America Journal, v.
50, n. 4., p. 868-875, 1986.
HUIJBREGTS, C. J. Regionalized variables and quantitative analysis of spatial data.
In: DAVIS, J. C.; McCULLAGH, M. J. (Ed.). Display and analysis of spatial data. New
York: J. Wiley, 1975. p. 38-53.
IBGE. Noes bsicas de cartografia. Rio de Janeiro, 1998. Disponvel em: <ftp://
geoftp.ibge.gov.br/documentos/cartografia/nocoes_basicas_cartografia.pdf>. Acesso
em: 19 jul. 2015.
ISAAKS, E. H.; SRIVASTAVA, R. M. An introduction to applied geostatistics. New
York: Oxford University Press, 1989. 561 p.
JIAN, X.; OLEA, R. A.; YU, Y.-S. Semivariogram modeling by weighted least squares,
Computers & Geosciences, v. 22, n. 4, p. 387-397, May 1996.
JOURNEL, A. G. Fundamentals of geostatistics in five lessons. Washington, DC:
American Geophysical Union, 1989. 80 p.
KRIGE, D. G. A statistical approach to some basic mine evaluation problems on the

Witwatersrand. Journal of the Southern African Institute of Mining and Metallurgy,
Johannesburg, v. 52, n. 6, p. 151-163, Dec. 1951.
LANDIM, P. M. B.; CORSI, A. C. Clculo de superfcies de tendncia, por regresso
polinomial, pelo SURFER. Rio Claro, SP: Unesp, 2001. 11 p. (Texto didtico, 5).
Disponvel em: <http://www.rc.unesp.br/igce/aplicada/DIDATICOS/LANDIM/trend-
surfer.pdf>. Acesso em: 19 jul. 2015.
LANDIM, P. M. B.; STURARO, J. R.; MONTEIRO, R. C. Krigagem ordinria para
situaes com tendncia regionalizada. Rio Claro, SP: Unesp, 2002. Disponvel em:
<http://www.rc.unesp.br/igce/aplicada/DIDATICOS/LANDIM/tkrigagem.pdf>. Acesso
em: 15 jul. 2015.
LIMA, E. R. V. de. Geoestatstica aplicada ao estudo do solo. In: SIMPSIO REGION-
AL DE GEOPROCESSAMENTO E SENSORIAMENTO REMOTO, 3., 2006, Aracaju.
Mini-cursos... Aracaju: Embrapa Tabuleiros Costeiros, 2006. Disponvel em: <www.
cpatc.embrapa.br/srgsr/mini-curso/geoestat.ppt>. Acesso em: 9 nov. 2015.
MARQUARDT, D. W. An algorithm for least-squares estimation of nonlinear parame-
ters. Journal of the Society for Industrial and Applied Mathematics, v. 11, n. 2, p.
431-441, 1963.
MATHERON, G. Les variables regionalisees et leur estimation: une application de la
theorie de fonctions aleatoires aux sciences de la nature. Paris: Masson, 1965. 306 p.
MATHERON, G. The theory of regionalized variables and its applications. Paris: cole
Nationale Suprieure des Mines, 1971. 211 p.
MCBRATNEY, A. B.; WEBSTER, R. Choosing functions for the semivariograms of soil
properties and fitting them to sample estimates. European Journal of Soil Science, v.
37, n. 4, p. 617-639, Dec. 1986.
MCBRATNEY, A. B.; PRINGLE, M. J. Estimating average and proportional variograms
of soil properties and their potential use in precision agriculture. Precision Agriculture,
v. 1, n. 2, p. 125-152, Sept. 1999.
MCBRATNEY, A. B.; WHELAN, B. M.; ANCEV, T.; BOUMA, J. Future directions of
precision agriculture. Precision Agriculture, v. 6, n. 1, p. 7-23, Feb. 2005.
MCCOWN, R. L.; BRENNAN, L. E.; PARTON, K. A. Learning from the historical failure
of farm management models to aid management practice. Part 1. The rise and demise
of theoretical models of farm economics. Australian Journal of Agricultural Research,
Melbourne, v. 57, p. 143-156, 2006.
MINASNY, B.; MCBRATNEY, A. B.; WHELAN, B. M. Vesper version 1.62. Sydney:
Australian Centre for Precision Agriculture, 2005.
MOLIN, J. P. Agricultura de preciso no Brasil: estado atual e perspectivas. In: CON-
GRESSO BRASILEIRO DE SOJA, 6., 2012, Cuiab. Soja: integrao nacional e desen-
volvimento sustentvel: anais. Braslia, DF: Embrapa, 2012. 1 CD-ROM.
MOLIN, J. P. Gerao interpretao de mapas de produtividade para agricultura de
preciso. In: BORM, A.; GIDICE, M. P. del; QUEIROZ, D. M. de; MANTOVANI, E.
150
C.; FERREIRA, L. R.; VALLE, F. X. R. do; GOMIDE, R. L. (Ed.). Agricultura de pre-

ciso. Viosa, MG: Universidade Federal de Viosa, 2000. p. 237-258.
MOLIN, J. P. Agricultura de preciso, parte I: o que e estado da arte em sensoriamen-
to. Engenharia Agrcola, Jaboticabal, v. 17, n. 2, p. 97-107, dez. 1997.
OLIVEIRA, R. P. de. Contributions towards decision support for site-specific crop
management: a study of aspects influencing the development of knowledge-intensive
differential management decisions. 2009. 318 f. Thesis (Doctor of Philosophy) - Uni-
versity of Sidney, Sydney.
OLIVEIRA, R. P. de; WHELAN, B.; MCBRATNEY, A.; TAYLOR, J. Yield variability as an
index supporting management decisions: YIELDex. In: EUROPEAN CONFERENCE ON
PRECISION AGRICULTURE, 6., 2007, Skiathos. Proceedings... Wageningen: Wagen-
ingen Academic Publishers, 2007. p. 281-288.
ORTIZ, G. da C. Aplicao de mtodos geoestatsticos para identificar a magnitude
e a estrutura da variabilidade espacial de variveis fsicas do solo. 2002. 75 f. Dis-
sertao (Mestrado em Agronomia) - Escola Superior de Agricultura Luiz de Queiroz,
Piracicaba.
PANNATIER, Y. VARIOWIN: software for spatial data analysis in 2D. New York:
Springer, 1996. (Statistics and computing).
PEREIRA, G. T.; PANOSSO, A. R.; TEIXEIRA, D. B. Introduo geoestatstica. In:
WORKSHOP SOBRE TECNOLOGIAS DE INFORMAO GEOGRFICA DA REDE AG-
RICULTURA DE PRECISO, 2010, So Carlos, SP. Anais... So Carlos, SP: Embrapa
Instrumentao, 2010.
PRINGLE, M. J.; MCBRATNEY, A. B.; WHELAN, B. M.; TAYLOR, J. A. A preliminary
approach to assessing the opportunity for site-specific crop management in a field,
using a yield monitor. Agricultural Systems, v. 76, n. 1, p. 273-292, Apr. 2003.
RABELLO, L. M.; INAMASU, R. Y.; TORRE NETO, A.; LUCHIARI JUNIOR, A.; MOLIN,
J. P. Medida de condutividade eltrica do solo adaptada a uma plantadeira. So Car-
los, SP: Embrapa Instrumentao Agropecuria, 2008. 4 p. (Embrapa Instrumentao
Agropecuria. Circular tcnica, 46).
REYNS, P.; MISSOTTEN, B.; RAMON, H.; DE BAERDEMAEKER, J. A review of com-
bine sensors for precision farming. Precision Agriculture, v. 3, n. 2, p. 169-182, Jun.
2002.
SANTOS, G. R. Hierarquizao geomtrica dos preditores geoestatsticos. 2010. 200
f. Tese (Doutorado em Estatstica e Experimentao Agropecuria) - Universidade Fed-
eral de Lavras, Lavras.
SOARES, A. Geoestatstica para as cincias da terra e do ambiente. 2. ed. Lisboa: In-
stituto Superior Tcnico, 2006. 214 p. (Coleo ensino da cincia e da tecnologia, 9).
SOUZA, L. da S. Variabilidade espacial do solo em sistemas de manejo. 1992. 162 f.
Tese (Doutorado em Cincia do Solo) - Faculdade de Agronomia, Universidade Federal
do Rio Grande do Sul, Porto Alegre.
SPEKKEN, M.; MOLIN, J. P. Criao de grades amostrais adequadas em talhes

agrcolas. In: CONGRESSO BRASILEIRO DE AGRICULTURA DE PRECISO, 2012,
Ribeiro Preto. Anais... Ribeiro Preto: SBEA, 2012. Disponvel em: <http://www.
agriculturadeprecisao.org.br/upimg/publicacoes/pub_criacao-de-grades-amostrais-ad-
equadas-em-talhoes-agricolas--spekken-m--molin-j-p--conbap--2012-06-08-2015.
pdf>. Acesso em: 19 jul. 2015.
SRIVASTAVA, R. M. Describing spatial variability using geostatistics analysis. In: ROU-
HANI, S.; SRIVASTAVA, R. M.; DESBARATS, A. J.; CROMER, M. V.; JOHNSON, A. I.
(Ed.). Geostatistics for environmental and geotechnical applications. West Consho-
hocken: American Society for Testing and Materials, 1996. p. 13-19.
STAR, J.; ESTES, J. Geographic information systems: an introduction. Englewood
Cliffs: Prentice-Hall, 1990. 303 p.
STURARO, J. R. Estudo do comportamento espacial de variveis geolgicas e hidro-
geolgicas da rea urbana de Ribeiro Preto - SP. 1988. 124 f. Dissertao (Mestra-
do) - Universidade de So Paulo, So Carlos, SP.
STURARO, J. R. Mapeamento geoestatstico de propriedades geolgico-geotcnicas
obtidas em sondagens de simples reconhecimento. 1994. 183 f. Tese (Doutorado
em Geotecnia) - Escola de Engenharia de So Carlos, Universidade de So Paulo, So
Carlos, SP.
SUDDUTH, K. A.; KITCHEN, N. R.; BOLLERO, G. A.; BULLOCK, D. G.; WIEBOLD,
W. J. Comparison of electromagnetic induction and direct sensing of soil electrical
conductivity. Agronomy Journal, v. 95, n. 3, p. 472-482, 2003.
TISSEYRE, B.; MCBRATNEY, A. B. A technical opportunity index based on mathemat-
ical morphology for site-specific management using yield monitor data: application to
viticulture. In: EUROPEAN CONFERENCE ON PRECISION AGRICULTURE, 6., Ski-
athos, 2007. Proceedings Skiathos: Wageningen Academic Publishers, 2007. p.
249-256.
TRANGMAR, B. B.; YOST, R. S.; UEHARA, G. Applications of geostatistics to spatial
studies of soil properties. Advances in Agronomy, v. 38, p. 45-94, 1985.
VALLADARES, G. S.; AZEVEDO, E. C. de; CAMARGO, O. A. de; GREGO, C. R.; RAS-
TOLDO, A. M. C. S. Variabilidade espacial e disponibilidade de cobre e zinco em solos
de vinhedos e adjacncias. Bragantia, Campinas, v. 68, n. 3, p. 733-742, set. 2009.
VIEIRA, S. R. Geoestatstica em estudos de variabilidade espacial do solo. In: NOVAIS,
R. F. de; ALVAREZ V., V. H.; SCHAEFER, C. E. G. R. (Ed.). Tpicos em cincia do solo.
Viosa, MG: Sociedade Brasileira de Cincia do Solo, 2000. v. 1, p. 1-54.
VIEIRA, S. R.; CARVALHO, J. R. P. de; PAZ GONZLEZ, A. Jack knifing for semivario-
gram validation. Bragantia, Campinas, v. 69, p. 97-105, 2010. Suplemento.
VIEIRA, S. R.; HATFIELD, J. L.; NIELSEN, D. R.; BIGGAR, J. W. Geostatistical theory
and application to variability of some agronomical properties. Hilgardia, Berkeley, v.
51, n. 3, p. 1-75, Jun. 1983.
152
VIEIRA, S. R.; NIELSEN, D. R.; BIGGAR, J. W. Spatial variability of field-measured

infiltration rate. Soil Science Society of America Journal, Madison, v. 45, n. 6, p.
1040-1048, 1981.
VIEIRA, S. R.; XAVIER, M. A.; GREGO, C. R. Aplicaes de geoestatstica em pesqui-
sas com cana-de-acar. In: DINARDO-MIRANDA, L. L.; VASCONCELOS, A. C. M.;
LANDELL, M. G. A. (Ed.). Cana de acar. Campinas: Instituto Agronmico, 2008.
p. 839-852.
WALTER, C.; MCBRATNEY, A. B.; DOUAOUI, A.; MINASNY, B. Spatial prediction of
topsoil salinity in the Chelif valley, Algeria, using local kriging with local variograms
versus local kriging with whole-area variogram. Australian Journal of Soil Research,
Melbourne, v. 39, n. 2, p. 259-272, 2001.
WARRICK, A. W.; NIELSEN, D. R. Spatial variability of soil physical properties in the
field. In: HILLEL, D. (Ed.). Applications of soil physics. New York: Academic Press,
1980. p. 319-344.
WEBSTER, R. Quantitative spatial analysis of soil in the field. In: STEWART, B. A.
(Ed.). Advances in soil science. New York: Springer-Verlag, 1985. v. 3, p. 1-70.
WEBSTER, R.; MCBRATNEY, A. B. On the Akaike Information Criterion for choosing
models for variograms of soil properties. Journal of Soil Science, v. 40, n. 3, p. 493-
496, Sept. 1989.
WEBSTER, R.; OLIVER, M. A. Geostatistics for environmental scientists. 2 ed. Chich-
ester: J. Wiley and Sons, 2007. 315 p.
WHELAN, B. M. Reconciling continuous soil information and crop yield: a study of
some implications for within-field variability for site-specific crop management. 1998.
327 f. Thesis (Doctor of Philosophy) - Faculty of Agriculture, University of Sydney,
Sydney.
WHELAN, B. M.; MCBRATNEY, A. B.; VISCARRA-ROSSEL, R. A. Spatial prediction
for precision agriculture. In: INTERNATIONAL CONFERENCE ON PRECISION AGRI-
CULTURE, 3., Minneapolis, 1996. Proceedings... Minneapolis: [American Society of
Agronomy], 1996, p. 331-342.
WHELAN, B. M.; MCBRATNEY, A. B.; MINASNY, B. Vesper: spatial prediction soft-
ware for precision agriculture. In: EUROPEAN CONFERENCE ON PRECISION AG-
RICULTURE, 3., 2001, Montpellier. Proceedings Montpellier: Ecole Nationale
Agronomique de Montpellier, 2001. p. 139-144.
YAMAMOTO, J. K.; LANDIM, P. M. B. Geoestatstica: Conceitos e Aplicaes. Editora
Oficina de Textos, 2013. 215 p.
ZIMBACK, C. R. L. Anlise espacial de atributos qumicos de solos para fins de ma-
peamento da fertilidade do solo. 2001. 114 f. Tese (Livre-Docncia) - Faculdade de
Cincias Agronmicas, Universidade Estadual Paulista Jli
Anexo I
Formulrio de Registro (original em Ingls)

Anexo II
Arquivo de Controle
Anexo III
Frmulas Utilizadas nos Clculos do Vesper

2015
Apoio:
Ministrio da Agricultura, Pecuria e Abastecimento

Ministra - Ktia Regina de Abreu
Secretaria do Produtor Rural e Cooperativismo

Secretrio - Caio Tibrio Dornelles da Rocha
Departamento de Desenvolvimento Tecnolgico e Extenso Rural

Diretor Substituto - Fabricio Santana Santos
Servio em Agricultura de Preciso

Chefe - Fabricio Vieira Juntolli
Diagramao, Impresso e Acabamento

GeoVesper Versao Online

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

GeoVesper Versao Online

Enviado por

Direitos autorais:

Formatos disponíveis

Empresa Brasileira de Pesquisa Agropecuria

Ronaldo Pereira de Oliveira

Unidade responsvel pelo contedo e pela edio

Todos os direitos reservados.

1. Agricultura de preciso. 2. Mtodo estatstico. 3. Programa de

Clia Regina Grego

Ronaldo Pereira de Oliveira

Aos companheiros da equipe tcnica envolvida no Macroprogra-

Este livro resultado do esforo de um grupo de atores compro-

Daniel Vidal Prez

Seo 1 - Antes do Vesper

espacial por krigagem com indicao do erro associado. O aplicativo

Como reflexo de um treinamento prtico, o livro segue a sequncia

ciais contribuies no panorama atual da AP, considerando o ferramental

A terceira e ltima seo do livro, Aps o Vesper, apresenta no

Como reflexo de um treinamento prtico, o livro assume o for-

Referncia direta aos elementos de software (e.g.:

Referncia direta aos elementos de software (e.g.:

Adoo da Agricultura de Preciso

1.1 A Geoestatstica como Parte do Processo Decisrio

A Agricultura de Preciso (AP) uma realidade que vem se di-

tecnologia busca, cada vez mais, a utilizao de equipamentos que

A adoo de novas tecnologias desenvolvidas para o moni-

vizinhana. Desta maneira, estas tcnicas possibilitam produzir infor-

1.2 Tecnologias de Monitoramento Intensivo

Recursos avanados da eletrnica, robtica embarcada e tecno-

at 3 metros em relao ao terreno, dependendo do tipo de sensor. A

Fotos: Gustavo Vasques.

No monitoramento intensivo de atributos de solo, estas tecnolo-

bm comum a outros parmetros da produo, est na robustez esta-

atual estgio de desenvolvimento, esta viso integrada depende das

Tabela 1.1. Diferentes tipos de tecnologias em sensores proximais e suas

Fonte: adaptado de Adamchuk et al. (2004).

Pr-processamento dos Dados

2.1 Anlise Exploratria

Como nas tcnicas estatsticas, a geoestatstica baseia-se em um

2.2 Localizao das Observaes

O objetivo deste procedimento ter os dados plotados numa

nadas retangulares em metros) para a certificao de que os pontos

Figura 2.1. Opes de interface (em b e c) disponveis na caixa de opes

Figura 2.2. Resultado do grfico de disperso ilustrando a localizao dos

2.3 Estatstica Descritiva

A anlise exploratria dos valores absolutos tem o objetivo de

3. Ainda na aba Suplementos, selecionar Suplementos do Excel na

Figura 2.3. Ativao de Suplementos do Excel na janela Opes do Excel

Figura 2.4. Sub-janela de Suplementos Disponveis para ativar a opo

Figura 2.5. Consulta na aba Suplementos para confirmar a ativao das

Uma vez ativado, o suplemento de anlise de dados aparecer

1. Na guia Dados, clicar na opo Anlise de Dados da caixa

Os coeficientes de assimetria e curtose expressam a normalidade

Figura 2.6. Seleo da funo Estatstica Descritiva na sub-janela de

Figura 2.7. Seleo de opes de entrada e sada para o clculo do resumo

2.4 Gerao do Histograma

O histograma uma representao grfica da distribuio de fre-

Figura 2.8. Seleo da funo Histograma entre as opes de Ferramentas

Figura 2.9. Seleo de clulas de Entrada na sub-janela de Histograma,

2.5 Dados Georreferenciados

Os acervos de dados georreferenciados podem ser visualizados,

3.1 Origem e Conceitos

Os primeiros relatos do uso da geoestatstica datam de 1911,

por objetivo a caracterizao da disperso espacial e espao-temporal

quando a interpretao da distribuio espacial dos dados tem forte

Os mtodos so geralmente divididos em duas etapas meto-

3.2 Anlise do Variograma