Agricultura de precisão no cultivo do cacaueiro

UNIVERSIDADE ESTADUAL DE SANTA CRUZ
PROGRAMA DE PÓS-GRADUAÇÃO EM PRODUÇÃO VEGETAL
PERLA SILVA MATOS CARVALHO
AGRICULTURA DE PRECISÃO NO CULTIVO DO CACAUEIRO:

DELINEAMENTO DE ZONAS DE MANEJO EM LAVOURA DO SUL DA
BAHIA
ILHÉUS-BA
2015
PERLA SILVA MATOS CARVALHO

BAHIA
Dissertação apresentada à Universidade

Estadual de Santa Cruz para a obtenção do
título de Mestre em Produção Vegetal.
Área de concentração: Solos e Nutrição de

Plantas em Ambiente Tropical Úmido
Orientador: Prof. Dr. Samuel de Assis Silva.
ILHÉUS-BA
2015
Aos meus pais, Tereza Cristina e Milton, minha irmã Paloma e
meu marido Oiama pelo apoio e carinho a mim concedidos nessa
importante etapa de crescimento profissional e pessoal.

DEDICO.
AGRADECIMENTOS
Á Deus pela vida e proteção que me deste, pela coragem para vencer todos os
desafios e por tornar cada momento uma oportunidade de adquirir novos
conhecimentos.
Ao professor Dr. Samuel de Assis Silva por repassar um pouco de seu valioso
conhecimento para condução deste trabalho, pela sua grande paciência e por
confiar a mim esta responsabilidade.
Aos professores Dr. George Sodré e Dr. Arlicélio Paiva pelas orientações para o
enriquecimento do trabalho.
Á Universidade Estadual de Santa Cruz UESC pela oportunidade de aprofundar

em novos conhecimentos e a todos os colegas e professores pelo auxílio e
orientação, em especial ao professor Dr. José Olímpio um exemplo de
profissional.
À Comissão Executiva do Plano da Lavoura Cacaueira CEPLAC pela

disponibilização do local de estudo e análises dos solos e aos amigos dos
laboratórios de física e química do solo e demais funcionários da POP 23.
A minha família e amigos que mesmo estando distante sempre me apoiaram, em

especial meu marido Oiama Carvalho que sempre está ao meu lado e me
incentiva a nunca desistir e a superar as dificuldades.
Aos colegas da graduação e de pós-graduação Rogério, Guilherme, Ícaro, Lais,

Caique, Elisângela e Railton que estiveram presentes em diversas etapas da
condução deste trabalho.
Á CAPES pela bolsa concedida.

Aos componentes da banca de qualificação, Dr. José Basílio e Dr. Raúl Valle, e
da banca de defesa, Dr. Julião S. S. Lima e Dr. Uilson Lopes por suas valiosas
contribuições.
Por fim, a todos que em algum momento fizeram parte desta importante etapa,
com contribuições e críticas tornou possível a realização deste trabalho.
BAHIA
RESUMO
O conhecimento da variabilidade de atributos químicos e físicos do solo por meio

de técnicas de agricultura de precisão permite um manejo específico das áreas
de cultivo e a aplicação de insumos de forma eficiente. Com este trabalho se
objetivou especificamente avaliar a variabilidade espacial de atributos físicos e
químicos do solo e produtividade de uma lavoura cacaueira e delinear zonas de
manejo para a recomendação de corretivos e fertilizantes. O estudo foi realizado
em uma área cultivada com cacaueiros, localizada na Comissão Executiva do
Plano da Lavoura Cacaueira - CEPLAC em um grid de 120 pontos. Amostras de
um solo classificado como Nitossolo foram coletadas na camada de 0 – 0,20 m,
para determinar os atributos pH (H2O), H+Al, P, K+, Ca2+, Mg2+, Na+, Fe, Zn, Cu,
Mn, SB, V%, COT, CTC efetiva, CTC pH 7,0, areia grossa, areia fina, silte e
argila. Os dados foram submetidos a uma análise exploratória e descritiva, e
posteriormente, à análise geoestatística para quantificar a dependência espacial.
Em seguida procedeu-se a interpolação dos dados através da krigagem
ordinária. As zonas de manejo foram definidas por meio do algoritmo Fuzzy K-
Means e avaliação da minimização dos índices FPI e NCE para as combinações
entre os atributos físicos e a produtividade do cacaueiro. A análise de
concordância entre as combinações dos atributos físicos e produtividade com as
variáveis classificatórias, que foram os atributos químicos, irá indicar por meio
dos valores do coeficiente Kappa as melhores zonas de manejo. Para os 27
atributos avaliados apenas dois (Al e m%) não foram analisados por meio das
estatísticas diante dos valores iguais a zero. Na análise geoestatística 10
atributos foram ajustados ao modelo gaussiano, 7 atributos ao modelo esférico,
6 atributos ao modelo exponencial e 2 atributos ao modelo efeito pepita puro. A
análise geoestatística permitiu a construção de 23 mapas de variabilidade
espacial, onde identificou-se regiões específicas com níveis variáveis dos
atributos, os quais podem ser utilizados como referenciais para a correção da
fertilidade do solo em taxas variadas. A análise de zonas de manejo permitiu a
construção de 20 mapas, sendo nove mapas com duas classes, oito mapas cm
três classes e três mapas com quatro classes. As combinações areia total (AT),
temporão e areia total (T_AT), temporão e argila (T_ARG), temporão e silte
(T_SIL), safra e areia total (S_AT) e safra e argila (S_ARG) apresentaram valores
considerados bons na análise de concordância com alguns atributos químicos
do solo. Apenas os atributos pH (H2O), Ca2+/Mg2+ e o COT apresentaram
concordâncias significativas com todas as combinações utilizadas na geração de
zonas de manejo. As variáveis recomendadas na definição de zonas de manejo,
na área em estudo, é a produtividade do cacau temporão e as frações, areia total
ou argila.
Palavras-chave: Geoestatística, Mapeamento, Fertilidade do Solo.

PRECISION AGRICULTURE IN COCOA CULTIVATION: DELINEATION OF
MANAGEMENT ZONES IN TILLAGE LOCATED IN THE SOUTH OF BAHIA
STATE, BRAZIL
ABSTRACT
The knowledge about variability of soil chemical and physical attributes through
precision farming techniques allows a specific management of cultivation areas
and an efficient manner of inputs application. This work aimed, specifically, to
evaluate the spatial variability of soil physical-chemical attributes and the
productivity of a cocoa tillage and to delineate management zones for lime and
fertilizer recommendation. The study was accomplished in a cocoa cultivated
area in a grid with 120 points in the Executive Commission of Cocoa Tillage Plan
(Comissão Executiva do Plano da Lavoura Cacaueira – CEPLAC). Soil samples
classified as nitisols was collected in a layer with 0 to 0,20 meters to determinate
the following attributes: pH(H2O), H+Al, P, K+, Ca2+, Mg2+, Na+, Fe, Zn, Cu, Mn,
SB, V%, TOC, CTC effective, CTC pH 7,0, coarse sand, fine sand, silt and clay.
The data was submitted to an exploratory and descriptive analysis and then to a
geostatistical analysis to quantify the spatial dependence. Posteriorly, the data
interpolation by ordinary kriging was proceeded. The management zones were
defined using the Fuzzy K-Means algorithm and the evaluation of minimization of
the indices FPI and NCE for combinations between physical attributes and cocoa
productivity. The analysis of agrrement between physical attributes combinations
and productivity with classificatory variables, tha were chemical attributes,
indicated through values of Kappa coeficient, the best managament zones. Two
of twenty-seven attributes evaluated, Al and m%, weren't analyzed by statistical
means due values equals zero. In the geostatistical analysis, 10 attributes were
adjusted to the Gaussian model, 07 to the Spherical model, 06 to the Exponential
model and 02 attributes to the Pure Nugget Effect. The geostatistical analysis
allowed the construction of 23 maps with spatial variability where specifics
regions were identified with variable attribute levels which can be used in variable
rates as referential of soil fertility correction. The combinations of total sand,
cocoa mid-crop and total sand, cocoa mid-crop and clay, cocoa mid-crop and silt,
cocoa main crop and total sand, cocoa main crop and clay presented values
considered good in the agreement analysis of some soil chemical attributes.
Merely the attributes pH (H2O), Ca2+/Mg2+ and TOC presented significant
agreements with all combinations used in the conception of management zones.
Recommended variables in the definition of management zones, in the studied
area, is cocoa mid-crop productivity and total sand or clay fractions.
Key-words: Geostatistical, Mapping, Soil Fertility.

LISTA DE FIGURAS
Figura 1: Parâmetros do variograma ................................................................ 10
Figura 2: Distribuição de pontos e esquema de amostragem na área
experimental ..................................................................................................... 16
Figura 3: Mapas da distribuição da areia, silte e argila na camada 0-0,20 m ... 33
Figura 4: Mapas da distribuição dos atributos pH (H2O), H+Al, K+ e P na camada
0 - 0,20 m ......................................................................................................... 35
Figura 5: Mapas da distribuição dos atributos Ca+2, Mg2+, Ca2+/Mg2+ e COT na
camada 0 - 0,20 m ........................................................................................... 38
Figura 6: Mapas da distribuição dos atributos Na+, SB, V(%) e Fe na camada 0 -
0,20 m .............................................................................................................. 40
Figura 7: Mapas da distribuição dos atributos Zn, Cu, CTC efetiva e CTC pH 7,0
na camada 0 - 0,20 m ..................................................................................... 41
Figura 8: Mapas da distribuição da produtividade do cacau temporão e cacau
safra em 12 meses .......................................................................................... 43
Figura 9: Mapa temático das zonas de manejo geradas para as combinações AT,
ARG, SIL e AT_ARG ........................................................................................ 47
Figura 10: Mapa temático das zonas de manejo geradas para as combinações
AT_SIL, ARG_SIL, AT_ARG_SIL, T e T_S_AT_ARG_SIL ............................. 48
S_AT, S_ARG, S_SIL e S ................................................................................ 50
T_AT, T_ARG, T_SIL e T_S............................................................................. 51
T_S_AT, T_S_ARG e T_S_SIL ........................................................................ 53
LISTA DE TABELAS
Tabela 1: Atributos a serem avaliados na definição das zonas de manejo ...... 22
Tabela 2: Estatística descritiva e distribuição de frequência dos atributos de solo
e produtividade do cacaueiro ........................................................................... 25
Tabela 3: Modelos e parâmetros dos variogramas ajustados aos atributos de solo
e produtividade do cacaueiro ........................................................................... 30
Tabela 4: Índice FPI e NCE para cada classe de cada zona de manejo .......... 46
Tabela 5: Média e desvio padrão dos centroides das melhores zonas de manejo
com duas classes ............................................................................................. 49
com três classes............................................................................................... 52
com quatro classes .......................................................................................... 54
Tabela 8: Coeficiente Kappa das zonas de manejo e atributos químicos do solo
......................................................................................................................... 58
Tabela 9: Índice Kappa da zona de manejo do cacau temporão e atributos
químicos ........................................................................................................... 60
SUMÁRIO
RESUMO.......................................................................................................... vii
ABSTRACT....................................................................................................... ix
1 INTRODUÇÃO ................................................................................................ 1
2 REVISÃO DE LITERATURA .......................................................................... 3
2.1 A cultura do cacau ..................................................................................... 3
2.2 Agricultura de Precisão ............................................................................. 5
2.3 Geoestatística ............................................................................................. 8
2.4 Zonas de manejo ...................................................................................... 13
3 MATERIAIS E MÉTODOS ............................................................................ 15
3.1 Caracterização da área de estudo .......................................................... 15
3.2 Malha amostral ......................................................................................... 15
3.3 Coleta e preparo do solo ......................................................................... 16
3.4 Análise física do solo ............................................................................... 17
3.5 Análise química do solo .......................................................................... 17
3.6 Determinação da produtividade do cacaueiro ....................................... 17
3.7 Análises estatísticas e geoestatísticas .................................................. 18
3.7.1 Estatística Descritiva ............................................................................... 18
3.7.2 Geoestatística ......................................................................................... 19
3.8 Implementação do algoritmo para definição de zonas de manejo ...... 21
4 RESULTADOS E DISCUSSÃO .................................................................... 24
4.1 Zonas de manejo ...................................................................................... 44
4.2 Avaliação da concordância entre as zonas de manejo e atributos
químicos.......................................................................................................... 56
5 CONCLUSÕES ............................................................................................. 61
REFERÊNCIAS ................................................................................................ 62
APÊNDICES .................................................................................................... 78
1
1 INTRODUÇÃO
O cacaueiro, planta originária do continente Sul Americano, é cultivado

em condições naturais no Sul da Bahia, sob o dossel de grandes árvores da
floresta tropical (SILVA NETO, 2001). A principal região produtora de cacau do
Brasil é o sul da Bahia, sendo responsável por 72,8% da produção nacional
(MANDARINO; GOMES, 2009).
O cultivo de cacaueiros é recomendado para solos de média a alta
fertilidade natural (SILVA, 2009) motivo porque a determinação adequada das
doses de fertilizantes torna-se um passo sensível no manejo da fertilidade do
solo para a cacauicultura. O sistema de manejo da fertilidade dos solos deve
considerar todas as variáveis conhecidas para as condições tecnológicas atuais,
suplementando, assim, as decisões com novos critérios que permitam reduzir as
margens de erro (TOMÉ JR., 2004).
O aumento da eficiência dos manejos agrícolas deve contemplar a
variabilidade espacial e temporal existente nos campos de produção, as quais
interferem diretamente sobre a produtividade, principalmente devido à
disponibilidade nutricional e às propriedades físicas e químicas do solo (SILVA
et al., 2011; VALENTE et al., 2012). Nesse contexto, na agricultura de precisão,
a aplicação de práticas agronômicas é feita de forma espacialmente variável em
função de informações coletadas no campo (ORTEGA; SANTIBÁÑEZ, 2007).
A agricultura de precisão permite otimizar o uso de insumos agrícolas com
redução dos riscos econômicos e ambientais, obtendo-se maior rentabilidade e
qualidade dos produtos (WHELAN; MCBRATNEY, 2001; CORWIN; LESCH,
2003). No entanto, a grande dificuldade da agricultura de precisão está em
determinar como as doses dos insumos agrícolas devem ser variadas no espaço
e no tempo para obter grandes benefícios (ANSELIN et al., 2004).
Apesar das ferramentas em agricultura de precisão estarem bem
definidas para algumas culturas agrícolas, como café e soja, na cacauicultura,
até o poucos trabalhos são desenvolvidos nessa temática. Acredita-se que a
agricultura de precisão pode auxiliar no conhecimento dos diversos fatores que
norteiam a produção de cacau, dentre eles a fertilidade dos solos, permitindo o
uso adequado de insumos visando orientar e incrementar a produtividade das
áreas.
2
Uma alternativa para incremento da produtividade está na geração de

zonas específicas de manejo com base nas características e variáveis que são
decisivas para um determinado padrão produtivo das culturas agrícolas. De
acordo com Fraisse et al. (2001) uma zona de manejo pode ser definida como
uma área que apresenta características semelhantes entre os fatores que
limitam a produtividade e/ou a qualidade do produto, podendo, por isso, ser
tratada com a mesma dose de insumo a ser aplicado ou ser submetida ao
mesmo tipo de trato cultural.
Vários trabalhos têm sido realizados com o objetivo de definir zonas de
manejo para diferentes culturas agrícolas (WHELAN; MCBRATNEY, 2001;
FRAISSE et al., 2001; FLEMING et al., 2004; LI et al., 2007; VALENTE et al.,
2012), entretanto na cultura do cacau, poucos trabalhos utilizam técnicas de
agricultura de precisão para o gerenciamento dos sistemas de produção. Os
trabalhos mais recentes com essa cultura têm focado metodologias
convencionais de avaliação, sendo inexistente pesquisas sobre estratégias que
flexibilizem a adoção de conceitos e práticas do gerenciamento de processos
viabilizando o desenvolvimento da cacauicultura de precisão.
Considerando que numa área de produção de cacau a divisão dos
campos de produção, em sub-regiões que apresentem combinação de fatores
limitantes de produtividade e de qualidade permitirá a adoção de manejos
diferenciados e independentes, o presente trabalho tem por objetivo avaliar a
variabilidade espacial da produtividade de uma lavoura cacaueira e dos atributos
físicos e químicos do solo, construir mapas dos atributos que apresentarem
dependência espacial, delinear e construir mapas das zonas de manejo para a
recomendação de corretivos e fertilizantes.
3
2 REVISÃO DE LITERATURA
2.1 A cultura do Cacau
O cacaueiro é uma árvore milenar originalmente encontrada naturalmente

nas regiões dos rios Amazonas e Orinoco (ALVIM, 1972), cujo habitat natural é
caracterizado por regiões de floresta escuras e clima úmido (SANCHEZ, 2011).
Conforme a origem, morfologia e genética o cacau pode ser subdividido em três
grupos: a) Crioulo, cacau de boa qualidade organoléptica mas em geral
suscetível à doenças; b) Forasteiro, subdivide-se em Baixo e Alto Amazônico,
caracterizados por apresentar grande produtividade e resistência a doenças; c)
Trinitário, um híbrido originário do cruzamento das variedades Crioulo e Baixo
Amazônico (ALMEIDA; VALLE, 2007).
As características climáticas que permitem seu cultivo indicam
temperaturas médias entre 23 - 25 ºC, pluviosidade variando entre 1300 - 2500
mm por ano, solos férteis e bem drenados e pH entre 6,0 e 6,5 (MANDARINO;
SANTOS, 1979; SUFRAMA, 2003). A inclusão do cacaueiro sob o dossel
florestal contribui para a conservação de diversas espécies florestais e a
preservação do agroecossistema (FERNANDES, 2008).
O cultivo do cacaueiro estabelecido sob a supressão de parte das
espécies de sub-bosque fez este sistema de cultivo ser chamado de cacau-
cabruca, ou seja, exemplares de cacau são introduzidos na floresta raleada
(LOBÃO, 2007). Entretanto, estudos demonstram que a retirada do
sombreamento aumenta a produtividade da cultura quando associada à
fertilização das áreas (DANTAS, 2011).
Na última década a cacauicultura do sul da Bahia atravessou, uma grave
crise de produção, causada pela doença vassoura-de-bruxa (Moniliophthora
perniciosa) que reduziu em mais de 60% a produção de amêndoas secas na
região (SODRÉ et al., 2007; SOUZA JR et al., 2011). Tal fato pode ser observado
analisando a produção brasileira do período anterior a vassoura-de-bruxa, que
chegou a 400.000 toneladas em 1990 (CUENCA; NAZÁRIO, 2004) e atualmente
a safra para o ano agrícola de 2014/2015 não deve ultrapassar 240.000
toneladas, em função dos problemas fitossanitários (CONAB, 2014).
4
A difusão de novas tecnologias de manejo integrado e o uso de

variedades seminais e clonais de produtividade elevada e tolerantes à vassoura-
de-bruxa permitem amenizar as perdas com a doença (ARÉVALO et al., 2012).
Por outro lado, Chepote et al. (2005) afirmam que a sustentabilidade da
cacauicultura no sul da Bahia está relacionada com a utilização de sistemas de
produção específicos que incluem o emprego de corretivos e fertilizantes.
Em geral, os solos onde o cacaueiro é cultivado são ácidos, pobres em
cálcio, magnésio, potássio e fósforo, possuem argila de baixa atividade coloidal,
porém são ricos em matéria orgânica (FERNANDES, 2008). O Nitossolo Háplico
Eutroférrico é considerado um dos melhores solos para esse cultivo, pois
apresenta um horizonte A com textura argilosa, estrutura granular, friável e boa
retenção de umidade, e horizonte B com uma textura argilosa com teores
elevados de silte, estrutura em blocos e cerosidade (CHEPOTE et al., 2012).
Os solos mais indicados para o cultivo do cacaueiro no Sul da Bahia, em
geral contêm médios teores de cálcio e magnésio, entretanto os teores de fósforo
e potássio são considerados baixo ou médio, respectivamente em relação aos
níveis de cálcio e magnésio (CHEPOTE et al., 2012). Com isso, o cacau tem seu
cultivo recomendado para solos que ofereçam média a alta fertilidade natural
para satisfazer os altos requerimentos nutricionais no período vegetativo e
produtivo da cultura (SILVA, 2009).
Barbosa (2001) comenta que os atributos físicos do solo para o cultivo do
cacau devem permitir uma boa retenção de umidade, assim, solos com baixo
teor de argila, que apresentam uma menor capacidade de retenção de água e
aumento na lixiviação de nutrientes, devem ser evitados. Quanto aos fatores
químicos, a fertilização do solo para elevar a fertilidade é baseada em estudos
que utilizam níveis críticos de fósforo e potássio e doses de nitrogênio que
permitam seu crescimento e produção (CHEPOTE et al., 2012).
A recomendação de corretivos e fertilizantes para o cacaueiro varia
conforme o sistema de plantio, características físico-químicas do solo, regime
hídrico, dentre outros, que afetam o desenvolvimento radicular da cultura
impedindo a absorção de nutrientes (CHEPOTE et al., 2012). Dantas (2011) ao
avaliar a fertilidade do solo e correlacioná-la com a nutrição de cacaueiros
observou que os teores dos macronutrientes variavam conforme o tipo de solo e
os teores de micronutrientes reduziam com o aumento da profundidade.
5
De modo geral, o cacaueiro vem sendo cultivado em solos com elevada

variabilidade e em áreas com limitações físicas e químicas influenciando
significativamente a produtividade da cultura (MARROCOS et al., 2008). Isso
significa que o uso de técnicas de agricultura de precisão na avaliação espacial
e temporal da variabilidade química e física do solo pode auxiliar na
recomendação de fertilizantes e corretivos e permitir um manejo específico e
independente das áreas de cultivos.
2.2 Agricultura de Precisão
A Agricultura de Precisão permite que a aplicação de insumos seja

realizada de modo racional, pois carrega informações mais detalhadas e
precisas, que são capazes de auxiliar na tomada de decisões (TSCHIEDEL;
FERREIRA, 2002). Os primeiros relatos dessa prática surgiram em Rothamsted,
Grã-Bretanha, com estudos de uniformidade, designados Uniformity Trials, 1925,
e com a avaliação da acidez do solo, na Universidade de Illinois, Estados Unidos
da América, em 1929 (MACHADO et al., 2004).
A Agricultura de Precisão é vista como uma filosofia ou técnica de
produção ou modelo de gerenciamento que visa o uso das tecnologias de
informação no gerenciamento das áreas de forma específica (TSCHIEDEL &
FERREIRA, 2002; CORWIN; LESCH, 2003; MACHADO et al., 2004a). Nesta
técnica, a variabilidade espacial e temporal dos atributos químicos e físicos do
solo e da produtividade das culturas são usados como referência para a
aplicação de insumos a taxas variáveis, elevando a produção agrícola e
reduzindo custos de operação (FRAISSE et al., 2001; PIRES et al., 2004;
PANAGOPOULOS et al., 2006).
O conhecimento da variabilidade espacial e temporal dos atributos de solo
que interferem na produtividade da cultura são fatores determinantes para o
aumento da eficiência do manejo de insumos e alocação de recursos (FARIAS
et al., 2003; WERNER, 2004; SILVA et al., 2011; VALENTE et al., 2012). A
identificação e correção de problemas em tempo hábil reduzem as incertezas da
atividade, entretanto, a grande dificuldade é constatar como as doses dos
insumos agrícolas devem ser variadas no espaço e no tempo para se obter
maiores produtividades (DIKER; BAUSCH, 2003; ANSELIN et al., 2004).
6
Pires et al. (2004) e Werner (2004) afirmam que existe três tipos de
variabilidade que são manejadas em Agricultura de Precisão: a) variabilidade
espacial, define espacialmente a quantidade ou concentração do componente
avaliado (produtividade, fertilidade, plantas invasoras, pragas, doenças e
outros); b) variabilidade temporal, demonstra alterações com o passar dos anos
(disponibilidade de um nutriente ou água); c) variabilidade induzida pelo manejo
ou variabilidade preditiva, contrasta o resultado obtido com o resultado esperado
(escolha da cultura ou local de plantio). Ainda neste contexto, pode-se considerar
a variabilidade horizontal e vertical que ocorrem em profundidade do solo devido
aos sistemas de manejo e de características do sistema solo-planta-atmosfera,
respectivamente (MACHADO et al., 2004b).
A variabilidade espacial dos solos é resultado de processos
pedogenéticos, cujas propriedades químicas e físicas têm interligações
específicas entre si, de modo que essas interações influenciam diretamente o
crescimento e o desenvolvimento das culturas (SOUZA et al., 2004; SILVA et al.,
2010a). A avaliação conjunta da variabilidade espacial dos atributos do solo e da
cultura é uma importante ferramenta na determinação de estratégias de manejo
específico das áreas, visando o aumento da produtividade agrícola (GREGO;
VIEIRA, 2005; SILVA et al., 2010c).
A identificação da variação de atributos químicos do solo é importante
para o levantamento e manejo do solo, o planejamento de esquemas de
amostragem e o gerenciamento de práticas agrícolas (SILVA; LIMA, 2012). A
avaliação da extensão e intensidade da dependência espacial, isolada ou em
conjunto com outros parâmetros, necessita ser relacionada com a cultura, pois
a fertilidade do solo pode influenciar diretamente o potencial genético das
culturas (GANDAH et al., 2000; SILVA; LIMA, 2012).
Os solos apresentam valores bastante diferenciados de macro e
micronutrientes ao longo do relevo, por causa das alterações provocadas pelo
manejo agrícola e processos erosivos (SILVA et al., 2010c). Silva; Chaves (2001)
comentam que os atributos químicos apresentam maior variação que os físicos,
sendo assim, o uso de amostragem aleatória utilizando a média é insuficiente
para caracterizar toda uma classe de solo.
A amostragem adotada na agricultura de precisão é realizada na forma de
malha ou grade (Grid) para avaliar a existência de variabilidade espacial nas
7
áreas (BRASIL, 2013). Assim, as informações obtidas, no solo e na cultura, são

utilizadas para aplicação de corretivos e fertilizantes conforme recomendação
específica de cada local (TSCHIEDEL; FERREIRA, 2002) e na quantidade exata
para proporcionar o aumento da produtividade das culturas (CAMPOS et al.,
2012).
Cada ponto amostral contém informações sobre os nutrientes disponíveis
na solução do solo para a cultura, assim como sua produtividade (BRASIL,
2013). Quando georreferenciado, permite a adoção de técnicas de
geoprocessamento para construção de mapas temáticos (OLIVEIRA et al.,
2008). O conjunto de informações obtidos na amostragem conterá detalhes
sobre a variabilidade espacial e/ou temporal dos atributos químicos e físicos,
possibilitando o manejo de insumos em taxas variáveis (MACHADO et al., 2004;
OLIVEIRA et al., 2008).
O que define a densidade da grade amostral é a capacidade de
representar a variabilidade existente no campo e despesas financeiras com
análises (ANCHIETA, 2012). A construção da grade amostral depende das
características inerentes de cada área, o que impossibilita a definição de uma
grade universal, entretanto, a grade deve conter uma quantidade mínima de
pontos que permita uma continuidade na origem dos variogramas estimados
(KERRY; OLIVER, 2008).
A construção da grade amostral orienta os locais de coleta de dados
permitindo que a avaliação da produtividade das culturas também possa ser
realizada manualmente, a exemplo dos mapas de produtividade de soja gerados
por Werner (2004). De certa forma, o monitoramento manual da produtividade,
para a obtenção de dados, pode ser empregado em pequenas áreas, como uma
alternativa de baixo custo (MACHADO et al., 2004a).
Silva; Lima (2012) verificaram que o manejo adequado deve considerar a
fertilidade do solo e a nutrição da cultura para que o uso dos fertilizantes seja
traduzido em quantidades equilibradas. De modo geral, quanto mais informação
obtiver de uma área, mais preciso será o diagnóstico de variabilidade de atributos
do solo e sua correlação com a produtividade da cultura terá uma indicação
prática de maior acurácia (BRASIL, 2013).
8
2.3 Geoestatística
A Geoestatística surgiu em 1951 após o matemático Daniel G. Krige

verificar a necessidade de avaliar a distância entre amostras ao trabalhar com
dados de concentração de ouro em minas da África do Sul (ANDRIOTTI, 1989).
Baseado nas informações de Krige, o francês Georges Matheron desenvolveu
metodologias que avaliam a distribuição das diferenças entre dois pontos
amostrados considerando a dependência espacial entre as amostras
(GUIMARÃES, 2004). Técnicas geoestatísticas foram utilizadas em diversos
estudos, por exemplo, no monitoramento espacial da umidade do solo e sua
influência na Condutividade Elétrica aparente em solos tropicais (MOLIN;
FAULIN, 2013); na avaliação a heterogeneidade espacial da mineralização do
nitrogênio em pastagens de diferentes ecossistemas (HIROBE et al., 2013).
Matheron criou a Teoria das Variáveis Regionalizadas que considera
estas variáveis como funções espaciais numéricas que apresentam continuidade
variando conforme o local (YAMAMOTO; LANDIM, 2013). Assim, as amostras
que se apresentam próximas no tempo e espaço são mais semelhantes entre si
por carregarem informações de suas vizinhanças quando comparadas às
amostras que se encontram mais distantes (ANDRIOTTI, 1989; KUZIAKOVA et
al., 2001; ZIMBACK, 2003).
A estatística clássica considera que as variáveis aleatórias são
independentes entre si, entretanto a geoestatística comprova que existe
dependência entre as variáveis e que estas necessitam ser consideradas nas
avaliações (MCBRATNEY et al., 1982; BREGT et al., 1987; GONÇALVES et al.,
2005). Ferramentas geoestatísticas como os variogramas são usadas para
avaliar a magnitude da correlação entre amostras e sua dependência espacial
em função da distância (VIEIRA, 1992).
As amostras com coordenadas de localização (x, y) que formam um
conjunto de valores Z(x) em uma área é a realização de uma variável aleatória,
então o conjunto de variáveis aleatórias será uma função aleatória Z(x)
(JOURNEL; HUIJBREGTS, 1978; ISAAKS; SRIVASTAVA, 1989; KUZIAKOVA et
al., 2001). Ao considerar a distância (h) entre pontos, a realização da função
aleatória Z(x) será uma variável regionalizada Z(xi + h), que permite estimar
valores em locais não amostrados assumindo a restrição de estacionaridade
9
para a variável regionalizada (ISAAKS; SRIVASTAVA, 1989; YAMAMOTO;

LANDIM, 2013).
A estacionaridade informa que os momentos estatísticos da função
aleatória serão invariantes, ou seja, a esperança matemática será igual à média
(E[Z(x)]=m) para qualquer direção do vetor h (WEBSTER; OLIVER, 2007).
Conforme estes autores, as hipóteses de estacionaridade que abrangem
diferentes realizações da variável são classificadas em: a) hipótese de
estacionaridade de primeira ordem; b) hipótese de estacionaridade de segunda
ordem; c) hipótese intrínseca.
A hipótese estacionária de primeira ordem apresenta variáveis
regionalizadas totalmente invariantes, ou seja, independente da origem adotada
a esperança matemática será constante (YAMAMOTO; LANDIM, 2013). Nesse
contexto Vieira (2000) comenta que a variância da diferença entre pontos
depende somente da distância entre eles, sugerindo uma homogeneidade na
variância de pontos com a mesma distância.
A hipótese de segunda ordem considera E[Z(x)]=m invariante e
covariância estacionária para os pares Z(x) e Z(xi+h), o que implica em variância
estacionária (WEBSTER; OLIVER, 2007; YAMAMOTO; LANDIM, 2013). Quando
ocorre a hipótese estacionária de segunda ordem, a variância, que expressa a
similaridade entre os valores, e a covariância, que informa seu afastamento
relativo, são utilizados no estudo de variáveis Z(x) e Z(xi+h) separados um uma
distância h (JOURNEL; HUIJBREGTS, 1978).
Webster; Oliver (2007) e Yamamoto; Landim (2013) informaram que a
hipótese de estacionaridade intrínseca considera que a esperança matemática
será igual a zero (E[Z(x)-Z(xi+h)]=0) e a variância entre pontos amostrais
dependente de h, assim temos Var[Z(x)-Z(xi+h)]=E[Z(x)-Z(xi+h)]². Esta hipótese
demanda a existência e estacionaridade do variograma sem, portanto, exigir
uma variância finita o que indica a existência do variograma sem a ocorrência da
covariância (VIEIRA, 2000).
O variograma experimental é um gráfico que demonstra a dependência
espacial entre amostras por meio da função do variograma 𝛾(ℎ) em relação a
cada valor de h (JOURNEL; HUIJBREGTS, 1978; VIEIRA, 1997). Assim, o
variograma é a metade da esperança matemática do quadrado da diferença
10
entre pontos amostrados no espaço em função de h, conforme o estimador de

Matheron na equação 1:
𝑁(ℎ)
1
𝛾(ℎ) = ∑ [ 𝑧(𝑥𝑖 ) − 𝑧(𝑥𝑖 + ℎ)]2 (1)
2 𝑁(ℎ)
𝑖=1
Em que: N(h) é o número de pares de valores medidos Z(xi), Z(xi+h), separados

por um vetor h e xi é uma posição espacial da variável Z (WEBSTER; OLIVER,
2007).
Os parâmetros a serem avaliados em um variograma são: Alcance,
Patamar, Efeito Pepita e a Contribuição (Figura 1), os quais tem a função de
quantificar o grau da dependência espacial entre os pares amostrais
(SCHERPINSKI, 2005; GONÇALVES et al., 2005). O Alcance (a) é a distância
entre o ponto de cruzamento da curva do modelo experimental e o eixo das
variâncias até a estabilização da curva do variograma experimental. Quando
este é atingido a variância e semivariância se aproximam, e, a partir desta
distância, os dados se comportam de forma aleatória (GONÇALVES et al., 2005;
LANDIM, 2006).
Figura 1: Parâmetros do variograma
O Patamar (𝐶𝑜 + 𝐶1 ) é a semivariância em que o variograma atinge a

estabilização constatando a dependência espacial entre pares amostrais. A partir
do valor de estabilização o comportamento torna-se aleatório (GONÇALVES et
al., 2005; LANDIM, 2006). Nos modelos isotrópicos transitivos (exponencial e
gaussiano) os variogramas atingem o patamar de forma assintótica (ISAAKS;
SRIVASTAVA, 1989; WEBSTER; OLIVER, 2007;).
11
O Efeito Pepita (𝐶𝑜 ) é o ponto onde inicia a curva do variograma, este

reflete a descontinuidade espacial na origem causada por distâncias menores
que a menor distância amostral, por erros experimentais ou pela variabilidade
não identificada pela amostragem (ISAAKS; SRIVASTAVA, 1989; GONÇALVES
et al., 2005; LANDIM, 2006). A contribuição (𝐶1 ) reflete a estrutura do modelo de
variograma, área de variância espacial e, é determinado pela diferença entre
efeito pepita e patamar (REICHARDT; TIMM, 2012).
No variograma com patamar definido a máxima distância demonstra a
variabilidade existente nos dados e indica que a hipótese de estacionaridade
intrínseca foi atendida (ISAAKS; SRIVASTAVA, 1989; ANDRIOTTI, 2002;
REICHARDT; TIMM, 2012). O patamar, alcance e efeito pepita são os
parâmetros utilizados no ajuste de variogramas a modelos teóricos para se obter
uma função matemática que descreva a variabilidade (ANDRIOTTI, 1989).
Para avaliação da dependência espacial a relação 𝐶𝑜 /(𝐶𝑜 + 𝐶) é utilizada
na identificação do Índice de Dependência Espacial, sendo classificado,
conforme Cambardella et al. (1994), como fraca (IDE ≥ 75%), moderada (25% <
IDE > 75%) e forte (IDE ≤ 25%). Os variogramas podem apresentar dois
comportamentos em relação a variação nas diferentes direções de h, sendo
isotrópico, sem variação nas direções de h; e anisotrópico, com variação nas
direções de h (ANDRIOTTI, 2002; VALENCIA et al., 2004).
O critério de adoção do modelo ajustado é baseado no maior valor de R²
(coeficiente de determinação), na menor SQR (Soma de Quadrado dos
Resíduos) e o maior valor do coeficiente de correlação obtido pelo método de
validação cruzada (SILVA; LIMA, 2012), que permite a comparação de
resultados entre diferentes modelos de variogramas (ISAAKS; SRIVASTAVA,
1989; GOOVAERTS, 1998).
Antes de realizar ajustes no variograma é necessário verificar o número
de pares amostrados, remover outliers, utilizar tolerância maior para suavizar o
variograma e avaliar primeiro o variograma unidirecional (ANDRIOTTI, 2002).
Com a confirmação de dependência espacial aplica-se o método da krigagem
para estimar valores em pontos não amostrados dentro da área de estudo
(SCHERPINSKI, 2005; OLIVEIRA et al., 2008). Existem diferentes metodologias,
sendo a krigagem ordinária mais utilizada (YAMAMOTO; LANDIM, 2013).
12
A krigagem é um método de interpolação baseado na teoria das variáveis

regionalizadas que estima valores sem tendência e com variância mínima, assim
a variação espacial de uma variável aleatória pode ser modelada por uma função
aleatória intrínseca (BREGT et al., 1987) e mapas de isolinhas podem ser criados
para interpretação da variabilidade da variável analisada (VIEIRA, 1997).
A krigagem é aplicada quando há o conhecimento das realizações xi da
variável aleatória X nas posições i=1,..., n, determinando assim x* na posição i0
a qual não existe medida, conforme a equação 2 (VIEIRA, 2000; REICHARDT;
TIMM, 2012). Ao identificar a dependência espacial os pesos λi atribuídos na
krigagem serão variáveis conforme a distância entre pares amostrais estimados
x*(i0) e os valores das variáveis xi (GREGO; VIEIRA, 2005).
𝑁
∗ (𝑖
𝑥 0) = ∑ 𝜆𝑖 𝑥𝑖 (2)
𝑖=1
Em que: N é o número de pontos medidos da variável Xi envolvidos na

estimativas de x*(i0) e λi são os pesos associados a cada valor medido xi
(GREGO; VIEIRA, 2005).
A condição de interpolação por krigagem não viesada é satisfeita quando
o somatório de pesos (λ) for igual a 1 (um) (equação 3), o que significa que o
ponto a ser estimado coincide com um ponto do conjunto de dados, então seu
peso será um e todos os outros terão pesos zero (YAMAMOTO; CONDE, 1999).
A variância será mínima devido o erro estimado apresentar uma esperança
matemática igual a zero (E(Z*(xi)) – (Z(xi)) = 0). Neste caso, introduz-se o
multiplicador de Lagrange (𝜇) (equação 4) para definir o ponto de mínimo e os
pesos ótimos (Reichardt; Timm, 2012; Yamamoto; Landim, 2013).
𝑛
∑ 𝜆𝑖 = 1 (3)
𝑖=1
𝑛
∑ 𝜆𝑖 𝛾(𝑥𝑖 , 𝑥𝑖 + h) + μ = γ(i, i0 ) i = 1 a N; h = 0,1,2, … , k (4)

𝑖=1
Os métodos de interpolação foram utilizados para previsão espacial da

variabilidade do pH e Condutividade Elétrica do solo a fim de identificar áreas
passíveis de remediação (HADDAD, 2013); para a avaliação da distribuição
espacial do carbono orgânico e nitrogênio total em áreas montanhosas do norte
da China (PENG et al., 2013). Ao trabalhar corretamente com dados
13
geoestatísticos é possível, por exemplo, criar mapas de propriedades do solo,

avaliar o grau de variabilidade espacial de nutrientes, a necessidade de calagem
e fertilização dentre outros (PANAGOPOULOS et al., 2006; JALALI, 2007; FU et
al., 2010).
2.4 Zonas de manejo
Diferentes locais da mesma área que apresentam características

homogêneas quanto a fatores relacionados aos atributos químicos e físicos do
solo e da produtividade da cultura são conceitualmente denominados zonas de
manejo (LUCHIARI JR et al., 2004; FLEMING et al., 2004; LUCHIARI JR et al.,
2011). Para esses autores cada zona de manejo ou sítios específicos de manejo
apresentará uma produtividade potencial, uma eficiência no uso de insumos e
um risco de impacto ambiental.
As zonas de manejo são delineadas diferenciadamente para cada fator
limitante, assim a aplicação de fertilizantes e corretivos envolverá os fatores que
influenciam na sua eficiência (DOERGE, 2000). Os procedimentos a serem
realizados para a definição das zonas de manejo dependerão de informações
obtidas com a amostragem em malha dos atributos do solo e da produtividade
da cultura (ZHANG et al., 2002). O mapeamento das áreas de cultivo visa obter
informações precisas sobre a produtividade da cultura e todos os fatores que
possam limitar o seu desenvolvimento (PANAGOPOULOS et al., 2006).
Doerge (2000) classifica as características que auxiliam no delineamento
de zonas de manejo como quantitativa e qualitativa. Conforme este autor, as
características quantitativas são estáveis e dinâmicas, como a topografia, pH,
propriedades hidrológicas, produtividade, distribuição e infestação de plantas
invasoras e outros; as características qualitativas são estáveis e intuitivas, como
a cor do solo, teor de nutrientes, profundidade, histórico do manejo da área e
rotação de culturas.
A adoção de várias zonas de manejo depende da produtividade da cultura
e de atributos de solo que justifiquem um maior detalhamento (MACHADO et al.,
2004b). Diferentes zonas de manejo podem ser geradas para diferentes atributos
e abordagens têm sido sugeridas para a sua definição, entretanto, segundo
14
GUASTAFERRO et al. (2010), nenhuma metodologia é aceita de forma

inequívoca.
Diferentes metodologias são utilizadas para definir zonas de manejo,
como o interpolador da krigagem (CHAVES; FARIAS, 2009) e a krigagem
ordinária associado a estimativa E-Type (SILVA JR et al., 2012). Técnicas de
análise multivariada como a Análise de Componentes Principais (ACP) são
também usadas na geração de zonas de manejo (CORTEZ et al., 2011; SANTI
et al., 2012; DELALIBERA et al., 2012).
ZUCOLOTO et al. (2011) definiram zonas de manejo a partir da
variabilidade espacial de atributos físicos do solo correlacionando-os à produção
de bananeira. SILVA et al. (2010b) utilizaram a geoestatística e o sistema de
classificação Fuzzy K-means para delinear zonas de manejo em área cultivada
com cafeeiro.
O sistema de classificação Fuzzy K-means é um algoritmo que visa o
agrupamento de dados em K-clusters, minimizando a distância de cada
centroide do cluster em que se encontra associado, sendo o centroide o ponto
médio do cluster (FRIDGEN et al., 2004; FRANCO, 2009). O agrupamento em
clusters é a divisão de um conjunto de dados em grupos não sobrepostos, cujos
dados encontram mais “semelhantes” uns com os outros e cada cluster terá um
único ponto de referência (FABER, 1994).
Este algoritmo de classificação não-supervisionada permite que apenas
um dado número de zonas seja escolhido, sendo o agrupamento dos dados
realizados com base na teoria dos conjuntos e nas pertinências das observações
(SHIRATSUCHI et al., 2005). A teoria dos conjuntos Fuzzy tem possibilitado a
descrição de fenômenos que apresentam variação contínua, como no caso de
atributos do solo (GUASTAFERRO et al., 2010).
Silva et al. (2010a) comentam que o método de classificação Fuzzy K-
means é indicado no agrupamento de dados contínuos por não considerar os
limites rígidos impostos por lógicas booleanas e por modelar e classificar as
incertezas e pertinências dos fenômenos. Nesse contexto Gorsevski et al. (2003)
afirmam que o Fuzzy K-means é uma função de pertinência que organiza as
variáveis analisadas conforme o Índice de Performance Fuzzy (IDF) e que varia
em escala contínua.
15
3 MATERIAL E MÉTODOS
O presente trabalho foi conduzido durante 17 meses entre os anos de

2013 e 2014 em uma área de 0,6 ha pertencente ao Centro de Pesquisas do
Cacau - CEPEC, órgão vinculado à Comissão Executiva do Plano da Lavoura
Cacaueira – CEPLAC do Ministério da Agricultura, Pecuária e Abastecimento, e
parceiro da UESC no desenvolvimento deste estudo. A área está localizada no
km 22 da rodovia Jorge Amado, na região Sul do Estado da Bahia, no município
de Ilhéus, sob a latitude de 14° 47' S e a longitude de 39° 16' W.
O clima conforme a classificação de Köppen; Geiger (1928) é do tipo Af,
tropical-úmido, com precipitação anual média de 1830 mm, umidade relativa do
ar em torno de 80% e a temperatura média anual variando entre 21,5 e 25,5 °C.
O solo foi classificado, conforme o Sistema Brasileiro de Classificação de Solos,
como Nitossolo Háplico Eutroférrico (EMBRAPA, 2013).
3.1 Caracterização da área de estudo
A área experimental foi implantada no ano de 2003 com 31 progênies de

cacaueiro conduzidos no sistema agroflorestal com sombreamento de eritrinas.
O cacaueiro está cultivado no espaçamento 3,0 x 1,5 m e a eritrina no
espaçamento de 24 x 24 m.
Mensalmente foram colhidos os frutos dos cacaueiros e os tratos culturais
como podas e controles de plantas espontâneas são realizados a cada seis
meses. Em 2009 foi realizada a última adubação na área com mistura N, P, K
16-24-16 na dose de 200 g por planta.
3.2 Malha amostral
No menor comprimento da área marcou-se 08 plantas espaçadas 9,5 m

(eixo x) para identificar as linhas de plantio, posteriormente 15 plantas espaçadas
6,6 m (eixo y) foram marcadas em cada linha. Na ausência de alguma planta o
indivíduo mais próximo era marcado.
A malha amostral foi composta por 120 plantas distribuídas entre as 31
progênies que foram identificadas individualmente. As coordenadas usadas
16
foram as “coordenadas locais” e cada ponto amostral composto por um

cacaueiro (Figura 2).
Figura 2: Distribuição de pontos e esquema de amostragem realizado na área

experimental.
3.3 Coleta e preparo do solo
A amostragem para determinação das características físicas e químicas

do solo foi realizada no mês de novembro de 2013, sendo coletado o solo nos
120 pontos da malha amostral. Conforme Webster; Oliver (2007) a estimativa do
variograma clássico de Matheron requer um mínimo de 100 pontos de
amostragem, para se refletir em estimativas confiáveis e exatas. Estimativas
realizadas com um maior volume de dados e com espaçamentos menores
promovem uma maior representatividade do fenômeno e consequentemente
uma maior confiabilidade das interpretações (MULLER et al., 2001).
A coleta de solo foi realizada em cada ponto amostral, sob a projeção da
copa do cacaueiro a distância de 0,40 m do caule, com o auxílio de um trado tipo
holandês, na camada 0 – 0,20 m, sendo utilizados 4 sub-amostras (01 sub-
amostra por quadrante) para compor uma amostra composta. O solo da amostra
composta foi homogeneizado em um balde plástico, de onde retirou-se
aproximadamente 500 g acondicionando-se em sacos plásticos.
17
As amostras de solo foram encaminhadas à sala de preparo de amostras

da Universidade Estadual de Santa Cruz. No beneficiamento as amostras foram
secas ao ar, destorroadas com auxílio de um rolo descompactador e passadas
em peneira com malha de 2 mm, constituindo Terra Fina Seca ao Ar (TFSA).
3.4 Análise física do solo
As amostras de solo após o beneficiamento foram encaminhadas ao

Laboratório de Física do Solo da CEPLAC para análise granulométrica. Para
avaliação das frações: areia grossa, areia fina, areia total, argila e silte, foi usada
metodologia proposta por EMBRAPA (2011).
3.5 Análise química do solo
A análise dos atributos químicos do solo foi realizada no Laboratório de

Química do Solo da CEPLAC. Os atributos avaliados foram: fósforo (P+),
potássio (K+), cálcio (Ca2+), magnésio (Mg2+), sódio (Na+), ferro (Fe), cobre (Cu),
manganês (Mn), zinco (Zn), alumínio (Al3+), acidez ativa (pH em água), acidez
potencial (H+Al), carbono orgânico total (COT) e calculados a soma de bases
trocáveis (SB), capacidade efetiva de troca de cátions (CTC efetiva), capacidade
de troca de cátions a pH 7 (CTC pH 7,0), índice de saturação por bases (V%),
índice de saturação por Al+3 (m%), seguindo metodologia proposta por
EMBRAPA (2011).
3.6 Determinação da produtividade do cacaueiro
A produtividade do cacaueiro foi determinada nos mesmos 120 pontos

definidos para as análises de solo. Durante todos os meses do ano de 2014
foram avaliados a produção de frutos estratificada em cacau temporão (março a
agosto), cacau de safra (setembro a fevereiro) e produção anual (produção em
todos os meses).
Foram quantificados para cada ponto amostral todos os frutos, sendo
considerados os frutos sadios e doentes e fracionados em bilros, frutos jovens e
frutos maduros para a região do caule e da copa de cada cacaueiro.
18
Posteriormente, os dados dos frutos sadios foram convertidos em amêndoas

úmidas, para isso multiplicou-se o número de frutos sadios de cada ponto pelo
peso de amêndoas úmidas por fruto, obtidos em dados sobre o histórico de
produção de cada cacaueiro cultivado na área em estudo. Nessa pesquisa foi
usado o histórico de produção de cada cacaueiro da área em estudo, cuja base
de dados refere-se a um período de 57 meses e foram cedidas pela Seção de
Genética da CEPLAC.
Para estimar o peso seco de amêndoas de cacau utilizou-se um fator de
conversão de 40%, sendo aceitável até 38% do peso de amêndoas úmidas
(SILVA NETO et al., 2001; ALMEIDA et al., 2009; PIRES et al., 2012). Este fator
de conversão é afetado pelo genótipo e fatores climáticos, entretanto a
correlação comumente é positiva e altamente significativa (ATANDA; JACOB,
1975; CASTRO; BARTLEY, 1983).
Após conversão dos dados para produção de amêndoas secas por planta
estas foram extrapoladas para produção por área (kg ha-1) usando o
espaçamento da cultura e obtendo-se a produtividade de cada ponto amostral
em hectares.
3.7 Análises estatísticas e geoestatísticas
3.7.1 Estatística Descritiva
Os dados obtidos com as análises dos atributos de solo e planta foram

submetidos à análise exploratória para verificar a presença de valores
discrepantes (outliers) e sua influência sobre as medidas de tendência central.
Os outliers foram retirados da massa de dados quando analisado valores fora
dos intervalos do primeiro e terceiro quartis do conjunto de dados (Q1 – 1,5q; Q3
+ 1,5q), ou seja, a amplitude interqualítica (Q) por meio da análise de gráficos
box-plot, descrito por Reichardt; Timm (2012).
Após a retirada dos outliers os dados foram submetidos a análise
estatística descritiva para determinar as medidas de posição (média e mediana),
dispersão (valores máximos, mínimos, desvio-padrão, variância e coeficiente de
variação) e forma da dispersão (coeficientes de assimetria e curtose).
19
A normalidade dos dados foi avaliada pelo teste de Shapiro-Wilk’s (W) a

5% de probabilidade. Todas as análises estatísticas foram realizadas no pacote
Statistica 7.0.
3.7.2 Geoestatística
Os atributos do solo e a produtividade foram submetidos à análise

geoestatística, a fim de verificar a existência de dependência espacial, a partir
do ajuste de variogramas experimentais clássicos, com base na pressuposição
de estacionaridade da hipótese intrínseca. Os variogramas se comportam de
modo diferenciado para altos valores de h, por isso modelos teóricos utilizados
para o ajuste de variogramas são classificados como modelos isotrópicos com
patamar (ISAAKS; SRIVASTAVA, 1989; VALENCIA, 2004).
Os modelos ajustados apresentam patamar definido indicando que a
hipótese de estacionaridade intrínseca foi atendida, sendo assim os modelos
avaliados foram: linear com patamar, esférico, exponencial e gaussiano,
conforme equações 5 a 8, respectivamente (REICHARDT; TIMM, 2012; ISAAKS;
SRIVASTAVA, 1989). A avaliação comparativa entre atributos com unidades de
medidas diferenciadas foi realizada após o escalonamento do efeito pepita e do
patamar, pela variância dos dados, conforme descrito por Vieira (1997) e
utilizado por Silva et al. (2013).
Modelo Linear:
𝐶
𝛾(ℎ) = 𝐶𝑜 + ( ) ∗ ℎ 0<ℎ<𝑎
𝑎
𝛾(ℎ) = 𝐶𝑜 + 𝐶 ℎ>𝑎 (5)
𝐶
Em que: (𝑎) é o coeficiente angular para 0<h<a. Nesse modelo, o patamar é
𝐶
determinado por inspeção; o coeficiente angular, (𝑎) é determinado pela
inclinação da reta que passa pelos primeiros pontos de 𝛾(ℎ), dando-se maior
peso aqueles que correspondem a maior número de pares; o efeito pepita, 𝐶𝑜 , é
determinado pela interseção da reta no eixo 𝛾(ℎ); o alcance, a, é o valor de h
correspondente ao cruzamento da reta inicial com o patamar; e C1 = patamar -
𝐶𝑜 .
20
Modelo Esférico:
3 ℎ 1 ℎ 3
𝛾(ℎ) = 𝐶𝑜 + 𝐶 ∗ [ ∗ ( ) − ∗ ( ) ] 0<ℎ<𝑎 (6)
2 𝑎 2 𝑎
𝛾(ℎ) = 𝐶𝑜 + 𝐶 ℎ>𝑎
O modelo esférico é obtido selecionando-se os valores do efeito pepita, 𝐶𝑜 , e do

patamar, 𝐶𝑜 +C, depois passando-se uma reta que intercepte o eixo y em 𝐶𝑜 e
seja tangente aos primeiros pontos próximos de h=0. Essa reta cruzará o
patamar à distância, a’=2/3 a. Assim, o alcance, a, será a=3a'/2. O modelo
esférico é linear até aproximadamente 1/3 a.
Modelo Exponencial:
ℎ
𝛾(ℎ) = 𝐶𝑜 + 𝐶 [1 − exp (− 3 ∗ )] 0<ℎ<𝑑 (7)
𝑎
Em que: d é a máxima distância na qual o variograma é definido; o parâmetro a

é determinado visualmente como a distância após a qual o semivariograma se
estabiliza. Este modelo atinge o patamar assintoticamente, com o alcance
definido como 95% do patamar, enquanto que o modelo esférico o atinge no
valor exato do alcance.
Modelo Gaussiano:
ℎ 2
𝛾(ℎ) = 𝐶𝑜 + 𝐶 ∗ [1 − exp (− 3 ∗ ( ) )] 0<ℎ<𝑑 (8)
2
Os parâmetros 𝐶𝑜 e C para os modelos exponencial e gaussiano são

determinados da mesma maneira que para o esférico. O modelo gaussiano é
usado para modelar fenômenos extremamente contínuos.
A escolha do modelo foi realizada com base no critério dos mínimos
quadrados optando-se na seleção pelos modelos ajustados com maior valor de
R2 (coeficiente de determinação), menor SQR (soma de quadrado dos resíduos)
e maior valor do coeficiente de correlação obtido pelo método de validação
cruzada entre os valores observados e os estimados. Para a avaliação da
dependência espacial a relação 𝐶𝑜 /(𝐶𝑜 +C) foi usada na identificação do Índice de
Dependência Espacial, sendo este classificado, conforme Cambardella et al.
21
(1994), como fraca (IDE ≥ 75%), moderada (25% < IDE > 75%) e forte (IDE ≤
25%).
Comprovada a dependência espacial, foi aplicado o método de
interpolação por krigagem ordinária, para estimar valores em locais não
medidos. A krigagem é um método de interpolação baseado na teoria das
variáveis regionalizadas que estima valores sem tendência e com variância
mínima, assim a variação espacial de uma variável aleatória pode ser modelada
por uma função aleatória intrínseca (GREGO; VIEIRA, 2005).
Para definir o número de classes dos mapas a serem construídos foi
realizado uma análise de agrupamento, por meio da avaliação de dendogramas,
seguindo o método de Ward a fim de se obter grupos mais homogêneos de
dados. O Método de Ward agrupa um conjunto de dados de modo hierárquico e
com base na distância euclidiana, segundo a similaridade entre eles e forma
grupos de tamanhos semelhantes e com mínima variação (HAIR et al., 2005).
O método K-means foi aplicado as classes geradas para identificar os
limites inferiores e superiores das classes (SEIDEL et al., 2008). As análises
geoestatísticas foram realizadas no software GS+, os dendogramas foram
obtidos no software Statistica e os mapas interpolados foram construídos no
software Surfer.
3.8 Implementação do algoritmo para definição de zonas de manejo
As zonas de manejo foram elaboradas no Sistema de Apoio à Decisão -

Krig-Me criado por Valente (2010). Adotou-se o padrão do software para o
número máximo de interações (100), o número do coeficiente Fuzzy (2) e a
estandardização dos dados para se obter média igual a zero e desvio padrão
igual a um. Definiu-se 20 combinações de zonas de manejo (tabela 1) com os
atributos físicos e a produtividade do cacaueiro, e avaliou-se cada zona com 2 a
5 classes. Optou-se pela utilização dos atributos físicos do solo pela sua baixa
variabilidade temporal, o que permitiria a obtenção de zonas de manejo com
maior reprodutibilidade ao longo dos anos (SILVA et al., 2010a). A produtividade
foi utilizada por ser a principal resposta de uma cultura agrícola acerca do manejo
e, principalmente, por representar o objetivo fundamental da agricultura
(KONOPATZKI et al. 2012).
22
Tabela 1: Atributos a serem avaliados nas combinações de zonas de manejo.

Zonas de Manejo
AT S_SIL
ARG T
SIL T_AT
AT_ARG T_ARG
AT_SIL T_SIL
ARG_SIL T_S
AT_ARG_SIL T_S_AT
S T_S_ARG
S_AT T_S_SIL
S_ARG T_S_AT_ARG_SIL
AT – areia total; ARG – argila; SIL – silte; T – temporão; S – safra.
As zonas foram geradas com base no algoritmo Fuzzy K-means, que

define pontos de referência para atribuír os dados a cada cluster. Esses pontos
geralmente são os centroides (𝑐𝑗 ) de cada cluster (FABER, 1994). Conforme este
autor, o algoritmo Fuzzy K-means necessita que o número de classes seja
definido, identificando a localização dos centroides que podem ser selecionados
aleatoriamente. Posteriormente calcula-se a distância euclidiana entre cada
padrão e os centroides de cada classe, assim os centroides são recalculados e
atualizados, devendo este processo se repetir até que não haja mais mudança
no cálculo dos centroides e suas médias e desvios padrão sejam obtidos.
A regra de decisão que determina a qual classe um determinado padrão
irá pertencer, utiliza as distâncias dos k vizinhos mais próximos do padrão, o que
permite a identificação de qual classe o elemento irá pertencer (BORA;
GRUPTA, 2014). A função objetivo para o método K-means é:
𝑘 𝑛
(𝑗) 2
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝐽 = ∑ ∑ ‖𝑥𝑖 − 𝑐𝑗 ‖ (9)
𝑗−1 𝑖−1
(𝑗) 2
Em que:‖𝑥𝑖 − 𝑐𝑗 ‖ é a distância entre o ponto dos dados e o centro do
agrupamento; n é o número de dados; k o número de agrupamentos (FABER,

1994).
Guastaferro et al. (2010) informam que o número ótimo de classes é
determinado em função de dois índices, são eles: o Índice de Performance Fuzzy
– FPI e Entropia da Classificação Normalizada – NCE. Conforme esses autores,
os índices FPI e NCE podem variar de 0 a 1, sendo que os valores próximos de
23
0 (zero) indicam classes distintas com poucas amostras de baixa adesão

(equação 10), e quando próximos a 1 (um) indicam classes não distintas, com
um elevado número de amostras de baixa adesão (equação 11), assim o número
ótimo de classes será aquele que minimizar os dois índices.
𝑀𝐹 𝐵 (𝑧) = 0 𝑧 ≤ 𝑏1 𝑜𝑢 𝑧 > 𝑏2 (10)

𝑀𝐹 𝐵 (𝑧) = 1 𝑏1 ≤ 𝑧 ≤ 𝑏2 (11)
Em que: MFB é uma função de pertinência que pode assumir o valor 0 ou 1; z é
um indivíduo que será ou não membro de um conjunto; b1 e b2 são os limites do
conjunto (GORSEVSKI et al., 2003).
Os índices FPI e NCE identificam as melhores combinações para as
zonas de manejo que devem ser submetidas à avaliação de concordância com
as variáveis classificatórias, neste caso os atributos químicos. O critério adotado
para definir a melhor zona de manejo foi o valor do índice Kappa após validação
com as variáveis classificatórias. Segundo Kitchen et al. (2005) o coeficiente
Kappa ilustra a aceitação entre classificações, quanto maior o valor do índice
Kappa, maior a concordância entre as zonas e as variáveis classificatórias.
Foram considerados os seguintes intervalos: Kappa < 0 a concordância é
péssima e não significativa (D); 0 ≤ kappa < 0,20, a concordância é significativa
porém ruim (C); 0,20 ≥ kappa ≤ 0,40, concordância significativa porém razoável
(B), e; Kappa ≥ 0,41, concordância significativa e boa (A), conforme metodologia
proposta por Congalton & Mead (1986) e utilizada por Alves et al. (2013), Sobjak
(2012) e Valente et al. (2012).
As zonas de manejo que não minimizaram os índices FPI e NCE na
mesma classe, foram avaliadas com diferentes variáveis de entrada para se
determinar a mais importante (FRIDGEN et al. 2004). Assim, o critério de decisão
usado para definir a melhor classe seguiu metodologia adotada por Alves et al.
(2013).
24
4 RESULTADOS E DISCUSSÃO
Com exceção do pH, areia grossa, areia fina e areia total, todos os
atributos analisados apresentaram valores discrepantes (outliers), optando-se
pela sua retirada conforme recomendado por Silva; Lima (2012). A retirada dos
outliers dos atributos Al e m% implicaram num conjunto de dados composto por
valores iguais à zero, assim as análises estatísticas não foram aplicadas para
estes atributos.
A retirada dos outliers favorece a obtenção de um resumo estatístico mais
confiável, capaz de melhor representar a variabilidade dos dados, principalmente
no que diz respeito às medidas de tendência central (LIBARDI et al., 2006).
Assim, após a retirada destes valores as análises estatísticas foram aplicadas
aos dados, visto que o resumo estatístico apresentou maior confiabilidade,
confirmando a influência dos outliers nas medidas de tendência central e a
distribuição de frequência dos dados (Tabela 2).
Os valores de média e mediana dos atributos, com exceção do Fe,
atributos físicos e a produtividade do cacaueiro, foram similares, demonstrando
que as medidas de tendência central não são dominadas por valores atípicos na
distribuição, conforme Cambardella et al. (1994). O coeficiente de assimetria (Cs)
apresentou valores próximos de zero, com exceção do P+, Fe, CTC pH 7,0, AT
e a produtividade do cacaueiro, indicando ajustes a distribuição normal, sendo
confirmado pelo teste de normalidade. Segundo Andriotti (2002) o Cs avalia o
grau de afastamento da média e mediana em relação a curva normal, sendo uma
medida sensível a valores discrepantes.
O coeficiente de curtose (Ck) que indica o grau de achatamento da curva
(ANDRIOTTI, 2002) demonstrou um comportamento leptocúrtico para todos os
atributos, exceto o Na+, cacau temporão e cacau anual que apresentaram
comportamento platicúrtico. Os valores distantes de zero para K+, Na+, Zn, Cu,
Mn, AG e AF, refletiram numa distribuição que foge da normalidade, o que foi
confirmada pelo teste de Shapiro-Wilk’s.
25
Tabela 2: Estatística descritiva e distribuição de frequência dos atributos de solo

e produtividade do cacaueiro.
CV
Atributos M Md s (%) Max. Min. Cs Ck w
AG 191,5 202,0 68,9 35 356,5 14,1 -0,22 -0,54 *
AF 246,4 251,7 50,0 20 348,0 138,4 -0,02 -0,69 *
AT 437,9 451,4 105,5 24 617,9 164,9 -0,65 -0,49 *
ARG 139,3 136,5 33,7 24 232,1 78,3 0,37 -0,39 ns
SIL 391,5 394,3 41,6 10 483,0 296,8 -0,16 -0,52 ns
pH (H20) 5,9 6,0 0,3 5 6,7 5,1 -0,06 -0,17 ns
H+Al 4,3 4,4 1,0 23 7,0 2,1 -0,13 -0,23 ns
P+ 22,5 21,0 11,7 52 52,0 5,0 0,81 -0,10 *
K+ 0,08 0,08 0,02 20 0,1 0,05 0,10 -0,73 *
Ca2+ 10,6 10,7 2,0 18 15,8 6,8 0,30 -0,21 ns
Mg2+ 6,2 6,2 1,1 18 9,1 3,5 0,18 -0,26 ns
Ca2+/Mg2+ 1,6 1,6 0,3 20 2,5 0,09 0,19 -0,29 ns
SB 16,8 17,1 2,5 15 23,3 11,2 0,09 -0,25 ns
COT 16,9 17,0 4,6 27 28,0 6,3 0,07 -0,40 ns
Na+ 0,09 0,09 0,01 15 0,1 0,06 0,01 0,44 *
Fe 192 179 94,9 49 411 22 0,48 -0.43 *
Zn 9,3 9 1,6 17 13 6 0,40 -0,58 *
Cu 7,1 7 2,7 38 15 2 0,33 -0,48 *
Mn 87,2 88 14,6 16 115 55 -0,32 -0,59 *
V 79,5 80,0 5,5 6 90,5 65,9 -0,22 -0,12 ns
CTC efetiva 16,8 17,1 2,5 15 23,3 11,4 0,10 -0,26 ns
CTC pH 7,0 21,4 21,4 2,4 11 27,9 16,8 0,45 -0,01 *
Temporão 2403 1902 2307 96 9225 0 0,86 0,08 *
Safra 576,5 346,6 567,6 98 2014 0 0,86 -0,39 *
Anual 3251 2637 3073 94 12053 0 0,89 0,13 *
M – média; Md – mediana; s – desvio padrão; CV – coeficiente de variação; Max. – valores
máximos; Min. – valores mínimos; Cs – coeficiente de assimetria; Ck – coeficiente de curtose;
w* - distribuição não normal pelo teste Shapiro Wilk's a 5% de probabilidade; wns - distribuição
normal pelo teste Shapiro Wilk's a 5% de probabilidade; AG – areia grossa, AF – areia fina, AT
– areia total, SIL – silte e ARG – argila (g kg-1); Ca2+, Mg2+, Ca2+/Mg2+, K+, H+Al, Na+, SB, CTC
pH 7,0, CTC efetiva - cmolc dm-³; P, Fe, Zn, Cu, Mn - mg dm-³; COT - g dm-³; V – saturação por
bases (%); Cacau Temporão, Cacau Safra, Cacau Anual (kg ha-1 - amêndoas secas de cacau).
Solo analisado quimicamente conforme metodologia descrita por Embrapa (2011) - pH H2O, Al
(KCl 1 mol L-1); P e K (Mehlich -1); Ca e Mg (KCl 1 mol L-1); Fe, Zn, Cu e Mn (Mehlich -1).
Segundo Landim (2003) os valores de Ck quando avaliados em conjunto

com o desvio padrão confirma o ajuste a distribuição normal. De acordo com este
autor, valores elevados de desvio padrão estão relacionados com o afastamento
26
da curva à distribuição normal. Os altos valores de Ck para o K+, Na+, Zn, Cu,
Mn, AG e AF resultaram em seu afastamento à distribuição normal, mesmo com
valores baixos de desvio padrão para essas variáveis, com exceção da AG e AF.
Esse comportamento indica a influência de poucos valores extremos capazes de
alterar a curva de distribuição normal.
Apesar de não ser uma exigência, atributos que apresentam distribuição
normal, quando submetidos à interpolação de dados por krigagem, serão
estimados com maior eficiência (WEBSTER; OLIVER, 2007). De acordo com
Cressie (1993) é ideal que a calda da distribuição não seja muito alongada, fato
não evidenciado neste trabalho dado os valores de assimetria próximos de zero.
Corá et al. (2004) informam que valores positivos de assimetria indicam
grande frequência de valores menores que a média e poucos valores maiores
que ela, implicando em locais com diferentes níveis de nutrientes. Devido a este
comportamento Ferraz et al. (2011) recomendam a agricultura de precisão na
recomendação de corretivos e fertilizantes pois o uso de insumos será realizado
de modo eficiente, ou seja, na quantidade e local adequado reduzindo os custos
de produção.
Para este estudo os valores médios dos atributos físicos areia total, argila
e silte é de 437, 139 e 391 g kg-1, respectivamente. O atributo silte apresentou o
maior valor das frações finas, com 391 g kg-1. É válido ressaltar que a camada
amostrada refere-se ao horizonte A, podendo o horizonte diagnóstico apresentar
valores mais altos de argila (CHEPOTE, 2012; EMBRAPA, 2013). Souza et al.
(2008) encontraram o valores médios de 361, 230 e 398 g kg-1, para os mesmos
atributos, respectivamente, no Estado do Pernambuco.
Os altos teores das “frações finas” podem causar a redução de
macroporos, limitando a capacidade de retenção de água e trocas gasosas,
aumento na densidade do solo e, devido os ciclos de umedecimento e secagem,
promoverem o rearranjo de partículas, principalmente em áreas com baixos
teores de matéria orgânica (MO) (SOUZA et al., 2008; CARDOSO et al., 2011).
Segundo Pedrotti; Mello Jr (2009) em sistemas conservacionistas o aporte de
resíduos orgânicos em superfície proporcionam a melhoria da estrutura do solo
devido à melhor distribuição de poros, dissipam a energia cinética de gotas de
chuva reduzindo o escoamento superficial e eleva a infiltração de água.
27
Os valores médios encontrados para a relação silte/argila foram de

391/139 g kg-1 confirmando os elevados valores de silte em relação à argila.
Conforme Embrapa (2013) a relação silte/argila dos solos indica seu grau de
intemperismo, sendo valores altos de silte caracterizado com baixo grau de
intemperismo. No entanto, os Nitossolos apresentam teores elevados de argila
definindo-o como textura argilosa ou muito argilosa e possui teores de silte
superiores aos teores de areia (SILVA et al., 2009; GREGO et al., 2011; CARMO;
VAL, 2013; MARTINS et al., 2014).
Os valores médios da relação Ca+2/Mg+2 igual a 1,66 cmolc dm-3 (< 3 cmolc
dm-3) e K+ de 0,08 cmolc dm-3 (< 0,1 cmolc dm-3) encontram-se abaixo do
adequado. O P, Fe, Cu e Zn com médias iguais a 22 mg dm-3 (> 16 mg dm-3),
192 mg dm-3 (> 30 mg dm-3), 7 mg dm-3 (> 1,2 mg dm-3) e 9 mg dm-3 (> 1,5 mg
dm-3), respectivamente, apresentam-se com valores elevados, enquanto que o
COT com média igual a 16 g dm-3 (> 10 g dm-3), CTC pH 7,0 com média igual a
21 cmolc dm-3 (> 8 cmolc dm-3) e V com valor igual a 79% (> 40%) encontram-se
adequados, conforme Chepote et al. (2012; 2013). Siqueira et al. (2014)
estudando a fertilidade de um solo sob a copa de espécies arbóreas encontrou
valores médios de pH, Ca+2/Mg+2 e P de 6,06, 2,14 cmolc dm-3 e 3,85 mg dm-3,
respectivamente para área cultivada em sistema agroflorestal com gliricídia e
6,08, 3,13 cmolc dm-3 e 3,95 mg dm-3, respectivamente para área cultivada em
sistema agroflorestal com sabiá.
Barreto et al. (2006) analisando a fertilidade de um solo cultivado com
cacau, pastagem e mata encontraram valores médios semelhantes a este estudo
para pH, Ca+2/Mg+2 e K+ no sistema com cacau, entretanto V (%) apresentou
valor baixo e o P, COT e CTC valores altos. Os autores atribuem os valores
encontrados a ciclagem de nutrientes, porém informam que foi realizado
adubação com fosfato de cálcio.
A produtividade média de amêndoas secas do Cacau Temporão, Safra e
Anual apresentaram valores iguais a 2403, 576 e 3251 kg ha-1, respectivamente,
geralmente o cacau safra representa a produtividade principal da cultura, no
entanto neste estudo o cacau temporão apresentou uma produção maior de
frutos, possivelmente causada por condições ambientais. Benjamin (2012) ao
selecionar cacaueiros resistentes à vassoura de bruxa observou que a
produtividade média de amêndoas secas variou entre 0,87 a 1,43 g por planta,
28
sendo a média geral para 18 progênies de 1,17 g, resultando na produtividade

de 1053 kg ha-1.
Almeida et al. (2009) avaliaram 140 clones de cacaueiro e obtiveram um
valor médio de 756 g de amêndoas por planta. Leite et al. (2012) ao estimar a
produtividade de dois clones de cacaueiros encontrou os valores médios de 5534
kg ha-1 para a produtividade potencial da cultura e a produtividade efetiva média
de 1770 kg ha-1, e destacou que parte dos bilros contabilizados na produtividade
potencial podem não formar frutos sadios ao final da safra, portanto, deve-se
realizar ajustes no manejo da cultura para favorecer o potencial genético
elevando a produtividade.
Os valores dos coeficientes de variação apresentaram baixa variabilidade
(CV% < 12) para pH (H2O), CTC pH 7,0, V (%) e silte, média variabilidade (CV%
≥ 12 e ≤ 60) para H+Al, P+, K+, Ca+2, Mg+2, Ca+2/Mg+2, SB, COT, Na+, Fe, Zn, Cu,
Mn, CTC efetiva, areia grossa, areia fina, areia total e argila, e alta variabilidade
(CV% > 60) para a produtividade do cacaueiro estratificada em temporão, safra
e anual, conforme Warrick; Nielsen (1980). O coeficiente de variação (CV) é uma
medida que relaciona a estimativa do desvio padrão com a média (ANDRIOTTI,
2002) permitindo avaliar a dispersão dos dados em relação ao valor central
(LANDIM, 2003).
Segundo Bottega et al. (2011) o CV é o primeiro indicativo de
heterogeneidade no conjunto de dados, por ser adimensional permite realizar
comparações entre diferentes atributos. Esses autores encontraram valores
médios de CV para Ca2+ e Mg2+ e valor baixo para pH em Latossolo Vermelho
distroférrico. Valores semelhantes também foram obtidos por Silva et al. (2007)
com exceção do P, em Latossolo Vermelho-Amarelo distrófico.
Zanão Jr et al. (2010) estudando a variabilidade espacial de atributos
químicos em sistema de plantio direto atribuiu os valores de CV médio a baixo
para pH e MO a distribuição homogênea da palhada em superfície. Os valores
de CV destes atributos no presente estudo se relacionam a deposição aleatória
de matéria orgânica, a falta de correção do solo e ao sistema de manejo adotado,
neste caso agroflorestal.
Observa-se que neste estudo o silte e a areia grossa apresentaram o
menor e o maior valor de CV, respectivamente. Em solos mais intemperizados
os atributos areia e argila tendem a modificar pouco ao longo do tempo
29
conferindo baixos valores de CV, entretanto o silte poderá se movimentar no solo

por escoamento ou erosão conferindo altos valores de CV (SILVA et al., 2010a).
Souza et al. (2004) afirmam que o silte geralmente apresenta as menores
amplitudes de distribuição quando comparado a outras frações. Segundo esses
autores os valores de CV para esse atributo tendem a ser menores mesmo com
a incorporação de parte da variabilidade das demais frações granulométricas
durante seu processo de determinação.
Os valores encontrados para o CV na produtividade de cacau temporão,
cacau safra e cacau anual foram iguais a 96%, 98% e 94%, respectivamente,
indicando uma alta variabilidade na produtividade entre as progênies. Conforme
Benjamin (2012) o caráter peso seco de amêndoas, para 22 progênies de
cacaueiros, pode apresentar um coeficiente de variação em torno de 24%, no
entanto a variação em peso úmido de amêndoas se eleva para 49%, indicando
um CV médio entre progênies. Leite et al (2012) encontraram um CV de 44%
para produtividade potencial de dois clones de cacau, 60% para produtividade
efetiva, 55% para número de bilros sadios e 59% para bilros doentes, tais
resultados podem ser decorrentes da necessidade de ajustes no manejo da
cultura, através da adequação nutricional, tratos culturais e lâminas de água.
Na análise geoestatística, todos os atributos analisados apresentaram
variogramas com patamares bem definidos, o que indica que a hipótese de
estacionaridade intrínseca foi atendida e que os dados não apresentam
tendência de distribuição (Tabela 3). Isaaks; Srivastava (1989) afirmam que,
quando o patamar dos variogramas são bem definidos, a distribuição dos dados
é simétrica e a estimativa dos seus parâmetros é correta, não havendo
heterocedasticidade e, consequentemente, efeito proporcional.
30
Tabela 3: Modelos e parâmetros dos variogramas ajustados aos atributos de solo

e produtividade do cacaueiro
Atributos Modelo Co Co + C a (m) IDE (%) R² R² (VC)
AG Gau 0,16 1,44 64 11 0,99 0,79
AF Gau 0,27 1,82 96 15 0,98 0,69
AT Gau 0,11 1,71 81 7 0,99 0,83
ARG Esf 0,11 1,04 37 10 0,96 0,54
SIL Esf 0,42 1,19 69 35 0,98 0,46
pH (H2O) Gau 0,44 1,07 38 41 0,97 0,47
H+Al Exp 0,27 1,12 49 24 0,95 0,26
P+ Exp 0,17 1,09 49 15 0,99 0,53
K + Esf 0,56 1,20 85 47 0,96 0,27
Ca 2+ Gau 0,42 1,30 73 32 0,99 0,48
Mg 2+ Esf 0,06 1,04 21 5 0,88 0,47
Ca2+/Mg2+ Exp 0,14 1,10 48 13 0,83 0,58
COT Gau 0,01 1,01 16 1 0,95 0,26
Na + Gau 0,14 1,04 14 13 0,93 0,39
Fe Gau 0,30 1,31 51 22 0,98 0,62
Zn Esf 0,17 1,06 25 16 0,94 0,34
Cu Gau 0,30 1,10 38 27 0,99 0,56
Mn EPP - - - - - -
SB Exp 0,27 1,13 57 23 0,97 0,34
V Gau 0,42 1,10 41 38 0,99 0,45
CTC efetiva Exp 0,01 1,01 33 1 0,99 0,31
CTC pH 7,0 Esf 0,43 0,91 27 47 0,96 0,29
Temporão Exp 0,01 1,01 8 11 0,62 0,02
Safra Esf 0,08 1,06 11 7 0,93 0,01
Anual EPP - - - - - -
Co - efeito pepita escalonado; Co + C - patamar escalonado; a - alcance; IDE - Índice de
Dependência Espacial; R² - coeficiente de determinação; VC - Validação Cruzada; Gau –
Gaussiano; Esf. – Esférico; Exp – Exponencial; EPP – Efeito Pepita Puro.
A análise geoestatística mostra que os modelos teóricos que melhor se

ajustaram aos variogramas experimentais foram o esférico, exponencial e
gaussiano. O modelo esférico e o exponencial são os de maior ocorrência no
ajuste aos dados de solo (DALCHIAVON et al., 2012; SANTOS et al., 2012;
BOTTEGA et al., 2013; LIMA et al., 2013). O modelo efeito pepita puro (EPP)
indica que o atributo Mn e a produtividade anual do cacaueiro não apresentam
dependência espacial entre amostras, mas um comportamento aleatório, devido
a grande variação genética da cultura ou não detectada causada pelo
31
espaçamento de amostragem inadequado ou erros de medição

(CAMBARDELLA et al., 1994). Entretanto, a ausência de dependência espacial
não caracteriza a inexistência de variabilidade no fenômeno, esta porém não
está relacionada com o espaço, mas ocorre de forma aleatória (SILVA et al.,
2013).
Zucoloto et al. (2011) ao avaliar a variabilidade espacial das frações
granulométricas do solo e produção de banana encontraram o modelo EPP para
o atributo silte. Oliveira et al. (2013) encontraram o modelo EPP para argila em
cultivo de mandioca e silte em cultivo de cana de açúcar. Para atributos
ajustados ao modelo EPP o manejo deve ser realizado com base nos valores
médios obtidos pela análise estatística clássica, pois a diferença entre as
amostras ocorre ao acaso (ZUCOLOTO et al., 2011).
O Índice de Dependência Espacial (IDE) dos atributos apresentou valores
considerados forte para areia grossa, areia fina, areia total, argila, H+Al, P+, Mg2+,
relação Ca2+/Mg2+, COT, Na+, Fe, Zn, SB, CTC efetiva, cacau temporão e cacau
safra, e valores moderados para os atributos silte, pH, K+, Ca2+, Cu, CTC pH 7,0
e V, conforme Cambardella et al. (1994). O IDE informa que as variáveis
regionalizadas não apresentam comportamento aleatório e que a distância entre
pontos, definido na malha amostral, demonstrou de modo satisfatório a
variabilidade espacial existente no campo (DALCHIAVON et al., 2012).
Conforme Lima et al. (2013) estes valores confirmam que os variogramas
ajustados ilustram a maior parte da variância existente nos dados. Para
Cambardella et al. (1994), um IDE forte para atributos físicos está relacionado a
fatores intrínsecos do solo, ou seja, a formação e mineralogia do solo indicando
que estes atributos sofrem pouca influência ao longo do tempo. Oliveira et al.
(2013) encontraram valores moderados de IDE para argila e fraco para silte e
areia em Cambissolo sob sistema agroflorestal. Campos et al. (2013)
encontraram valores moderados de IDE para areia e silte e fraca para argila em
Argissolo sob floresta.
Aquino et al. (2014) encontraram valores de IDE moderado para areia e
silte e fraco para argila em Latossolo sob floresta nativa e valores moderados
para areia, silte e argila em Latossolo sob pastagem. Silva et al. (2010b)
encontraram valores de IDE considerados fortes para as frações granulométricas
areia, silte e argila em solo cultivado com café.
32
Valores de IDE para pH (H2O), K+, CTC pH 7,0 e V abaixo do observado

neste estudo e valores superiores para P e SB foram encontrados por Silva et
al. (2007) em solo cultivado com café. Konopatzki et al. (2012) encontraram
valores moderados de IDE para pH (H2O), P, K+ e V e fraco para COT. Alves et
al. (2014) encontraram valores considerados moderados para H+Al e V, porém
os atributos pH (H2O), P, K+ e CTC pH 7,0 apresentaram comportamento
aleatório, ou seja, a distância utilizada na amostragem não identificou a
dependência espacial entre as amostras em Latossolo Vermelho-Escuro sob
sistema de plantio direto.
Os valores do efeito pepita indicam que os atributos areia grossa, areia
fina, areia total, argila, H+Al, P+, Mg2+, Ca2+/Mg2+, Na+, Zn, Fe, COT, SB, CTC
efetiva, cacau temporão e cacau safra apresentaram uma menor
descontinuidade na origem refletindo em dependência espacial forte. Para o pH
(H2O), Ca2+, K+, Cu, V, CTC pH 7,0 e silte, estes apresentaram uma maior
descontinuidade na origem que refletiu em dependência espacial moderada.
O efeito pepita informa a descontinuidade espacial entre valores
separados por uma distância menor que a menor distância adotada na
amostragem, além de uma variância não explicada (VIEIRA, 1997). Quanto
menor a proporção entre efeito pepita e patamar, maior será a continuidade
espacial, menor a variância na estimativa e maior a confiabilidade de valores
estimados por meio da krigagem (GREGO; VIEIRA, 2005).
O atributo que apresentou o maior valor de alcance foi a areia fina com 96
m e o menor foi a produtividade do cacau temporão, com 8 m. O alto valor de
alcance da areia fina confirma que dentro deste intervalo o atributo apresenta
baixa variabilidade espacial e baixo CV, pois sua área de influência será maior,
sugerindo uma maior semelhança entre os pontos vizinhos, ou seja, alta
continuidade (VIEIRA, 1997). Segundo Grego; Vieira (2005), o alcance
representa o limite da dependência espacial e a partir deste valor as amostras
se comportam de forma aleatória, sendo um indicativo do intervalo entre
unidades de mapeamento.
Conforme Issaks; Srivastava et al. (1989) um atributo distante de seus
vizinhos em um raio igual a metade do alcance garante uma semelhança e
dependência espacial entre eles. Valores de alcances elevados influencia
diretamente na estimativa por krigagem, pois a estimativa de valores em locais
33
não amostrados são mais confiáveis e representam melhor o atributo na área em

estudo (CORÁ et al., 2004). Definido os parâmetros dos variogramas os dados
foram interpolados para confecção dos mapas e posterior interpretação da
distribuição dos atributos no espaço, sendo estes apresentados nas Figuras 3 a
8.
Figura 3: Mapas da distribuição da areia, silte e argila na camada 0 – 0,20 m.

34
Os teores de areia grossa e areia fina (Figura 3) apresentam valores

elevados na região inferior direita da área. Para a areia total o comportamento
se mantém, onde nesta região seus teores são superiores 400 g kg-1. Campos
et al. (2013) ao estudar uma área de agrofloresta observaram que o atributo areia
total encontrava-se em grande parte com valores dentro do intervalo 170 a 210
g kg-1.
Silva et al. (2010a) demonstraram a correlação positiva entre textura do
solo e disponibilidade de P, sendo que em locais com predomínio das frações
areia ocorrem maiores disponibilidades de P, o inverso ocorre quando há
predomínio de frações de argila. Burak et al. (2012) encontraram valores
negativos para correlação entre K+, areia grossa sendo atribuída a menor
afinidade deste nutriente as frações orgânicas do solo quando bases como Ca +2
estão presentes no solo e sua maior mobilidade em locais com predomínio de
areia.
O atributo silte (Figura 3) é observado em uma grande extensão da área
com teores no intervalo entre 360 a 434 g kg-1. Para argila (Figura 3) o mapa
indica uma maior proporção da área com valores dentro do intervalo de 122 a
181 g kg-1. Barbosa (2001) comenta que os atributos físicos devem permitir uma
boa retenção de umidade, assim solos com menor capacidade de retenção de
água e que favorecem a lixiviação de nutrientes devem ser evitados. O solo em
estudo é considerado como um dos melhores para o cultivo de cacau, sendo
uma característica a ocorrência de teores elevados de silte conforme Chepote et
al. (2012).
De modo geral, os mapas indicam que nas regiões onde o atributo areia
total apresenta os maiores teores, ocorrem os menores teores de silte e argila.
Comportamento semelhante foram obtidos por Bottega et al. (2013) que
atribuíram estes valores ao fato destes atributos serem mensurados em
proporção, assim quando há acréscimo em um atributo, ocorre o decréscimo do
outro atributo.
Silva et al. (2010b) informam que a fração silte pode contribuir para o
aumento das concentrações de cálcio, magnésio e potássio, na solução do solo
devido à presença de minerais como feldspatos-K, micas e plagioclásios. No
entanto, Sodré et al. (2007) afirmam que o cacaueiro tem seu cultivo beneficiado
35
em solos com teores elevados de argila, considerando-os como ricos em

nutrientes disponíveis e mais profundos.
Figura 4: Mapas da distribuição dos atributos pH (H2O), H+Al, K+ e P na camada

0 – 0,20 m.
O mapa de pH (H2O) indica que o solo apresenta valores no intervalo de

5,5 a 6,2 (Figura 4). Resultados inferiores foram observados por Lima et al.
(2013) que encontraram valores para pH entre 4,4 a 4,8 na camada 0 – 0,15 m
em sistema de plantio direto provavelmente ocasionados pela liberação de
ácidos orgânicos da matéria orgânica. Na cultura do cacau em sistema
agroflorestal, ocorre igualmente a liberação de ácidos orgânicos, entretanto,
Chepote et al. (2012) afirmam que os valores desejados de pH para cacaueiros
encontram-se entre 5,5 a 6,5, por se tratar de um sistema mais equilibrado,
devido à semelhança a sistemas naturais.
36
Observa-se que numa grande proporção da área os níveis de H+Al

encontram-se com valores no intervalo de 4,2 a 5,4 cmolc dm-3 (Figura 4)
indicando um padrão de distribuição inverso ao pH, pois locais onde o pH
encontra-se abaixo de 6,2 ocorrem regiões com níveis altos de H+Al. Tal fato já
era esperado, dada a relação direta entre pH e H+Al onde, quanto menor o pH
maior H+Al e sendo o inverso verdadeiro.
Cardoso et al. (2014) trabalhando em solo cultivado com cana de açúcar
encontraram valor médio de acidez potencial igual a 2,72 cmolc dm-3 e informam
que os níveis de H+Al são influenciados tanto pela calagem quanto pelo teor de
matéria orgânica do solo. Tal observação demonstra que, na área em estudo, a
ocorrência de níveis mais elevados de H+Al no solo tem relação com teores de
matéria orgânica, visto que a prática da calagem não vem sendo realizada, nos
últimos anos, e que íons Al não foram observados na camada de solo analisada.
Os níveis do atributo K+ apresentam valores com intervalo de 0,069 a
0,089 cmolc dm-3 em uma grande extensão da área (Figura 4). Em linhas gerais,
o mapa de K+ indica que toda a área encontra-se com níveis baixos deste
atributo, sendo recomendado, conforme Chepote et al. (2013), níveis cujo
intervalo seja de 0,10 a 0,40 cmolc dm-3. Este resultado pode estar relacionado
à composição mineralógica do solo e a mobilidade deste em locais com teores
elevados de areia.
Carvalho Filho et al. (1987) em levantamento mineralógico do solo da área
de estudo identificaram a predominância dos minerais mica, feldspato, anfibólio
e apatita. As micas e os feldspatos são minerais que possuem K+ em sua
composição, os anfibólios são fontes naturais no solo de Mg2+, Ca2+ e Fe e as
apatitas de fósforo, sendo assim a disponibilidade de nutrientes do solo em
estudo se deve principalmente à reserva natural do mesmo e a matéria orgânica,
visto a inexistência de correção ou adubação química.
Ernani et al. (2007) informam que os minerais presentes nos Nitossolos
favorecem a ocorrência de altos níveis de K + total no solo, no entanto os níveis
disponíveis em solução apresentam-se muito baixos. Ressalta-se que o segundo
nutriente mais efetivamente exportado pelo cacau é o K +, sendo encontrado em
grandes concentrações na casca dos frutos (SOUZA JR et al., 2012) desta
forma, em sistemas tradicionais de cultivo onde ocorre a deposição desordenada
das cascas dos frutos e outras partes da planta na área de cultivo, visando a
37
ciclagem de nutrientes, é comum a ocorrência de locais específicos com níveis

diferenciados de K+ no solo.
Para o atributo P observa-se que os níveis apresentam valores com
intervalo entre 6 a 35,9 mg dm-3 em uma grande extensão da área (Figura 4).
Portugal et al. (2010) encontraram altos níveis de P disponível em solos sob
cultivo de laranjeiras e cana de açúcar devido às frequentes adubações
realizadas no local, no entanto estes níveis foram considerados baixos para a
classe de fertilidade, sendo relacionado a alta adsorção pela argila.
Atualmente as adubações realizadas em áreas cultivadas com cacau são
baseadas em formulações. No caso do P considera-se como baixo, níveis
inferiores a 9 mg dm-3, médio quando no intervalo de 9 a 16 mg dm -3, alto para o
intervalo entre 17 a 30 mg dm-3 e muito alto se acima de 30 mg dm-3 (CHEPOTE
et al. 2013). De modo geral, observa-se que, com base nos valores
recomendados para este atributo, há necessidade de aplicação deste nutriente
na região com valores dentro do intervalo 6 a 21,2 mg dm-3, e que acima desta
classe a correção é dispensada.
Em geral, a predominância de argila de baixa atividade em Nitossolo
contribuíram para uma maior disponibilidade de P em solução. Silva et al.
(2010a) encontraram teores muito baixos de P em solo cultivado com café e Lima
et al. (2013) e Dalchiavon et al. (2012) encontraram valores baixo e médio,
respectivamente, para o P em sistema de plantio direto, sendo sua
disponibilidade associada a forma de aplicação do nutriente, adsorção pelas
argilas e baixa mobilidade no solo.
Os mapas de Mg2+ e de Ca2+ (Figura 5) indicam que uma grande extensão
da área apresenta níveis inferiores a 7,5 e 12 cmolc dm-3, respectivamente. Com
isso, a relação Ca2+/Mg2+ apresentou, na maior proporção da área, níveis
inferiores a 1,9 cmolc dm-3 (Figura 4). De modo geral, o mapa indica que a área
em estudo encontra-se com níveis baixos para a relação Ca2+/Mg2+, visto que,
para o cultivo do cacau, o ideal é uma relação Ca 2+/Mg2+ ≥ 3 cmolc dm-3
(CHEPOTE et al., 2012).
38
Figura 5: Mapas da distribuição dos atributos Ca2+, Mg2+, Ca2+/Mg2+ e COT na

camada 0 – 0,20 m.
O cálcio está relacionado às funções estruturais da planta, por manter a

integridade funcional das membranas e parede celular, além de atuar como
regulador enzimático e mensageiro secundário (MALAVOLTA, 2006). Conforme
esse autor, o magnésio encontra-se relacionado à estrutura, regulação
enzimática e ativa enzimas fundamentais ao processo de fotossíntese,
respiração e outros. Diante disso, a baixa concentração destes nutrientes
compromete significativamente a produtividade das culturas.
Portugal et al. (2010) encontraram altos valores de K+, Ca2+ e Mg2+ em
Latossolo de caráter distrófico sob diferentes usos, atribuindo estes resultados a
correção química dos nutrientes exportados ou alocados pelas culturas e
perdidos por erosão ou lixiviação. No presente estudo a inexistência de correção
dos níveis de nutrientes no solo acarretou numa relação Ca 2+/Mg2+ baixa.
39
Teores de COT com valores no intervalo de 14,4 a 23,5 g dm -3 são

observados em grande parte da área (Figura 5). Considerando que o COT terá
seu teor influenciado pelo aporte de matéria orgânica (MO) e pelo processo de
mineralização e que o sistema de cultivo agroflorestal favorece a ocorrência de
teores variáveis de COT, os resultados encontrados sugerem que as falhas no
sombreamento da cultura tornaram o processo de mineralização da matéria
orgânica do solo mais intensificada em determinados locais da área.
Conforme Chepote et al. (2012), os teores de COT com valores entre 6 a
14,4 g dm-3 são considerados baixos, sendo os teores acima de 14,4 g dm-3
considerados adequados em áreas sob cultivo de cacaueiro. Rita et al. (2011)
informam que sistemas de cultivo de cacau estabilizados, ou seja, isento de
revolvimento de solo e crescimento estagnado de espécies florestais de
sombreamento, favorece o acúmulo a longo prazo de elevados teores de matéria
orgânica. Barreto et al. (2010) comentam que o cultivo de cacaueiros em sistema
agroflorestal contribui para melhoria da qualidade do carbono orgânico em
superfície e em profundidade, sendo seus teores variáveis.
O mapa de Na+ indica que valores acima de 0,09 cmolc dm-3 são
observados em uma grande proporção da área (Figura 6). Este atributo está
relacionado a ocorrência de minerais como feldspatos no solo em estudo (INDA
JR, 2006; EMBRAPA, 2013) e pode substituir parcialmente as funções do K + em
cacaueiros sem causar danos ao seu desenvolvimento (GATTWARD, 2010).
Quanto ao atributo SB o mapa mostra que uma grande extensão da área
encontra-se com valores dentro do intervalo 12,5 a 18,8 cmolc dm-3 (Figura 6).
Níveis altos de bases trocáveis são frequentemente encontrados em camadas
superficiais, sendo estes reduzidos com o aumento da profundidade de
amostragem, conforme observado por Dalchiavon et al. (2012) e Lima et al.
(2013). Tal fato se deve ao maior acúmulo de matéria orgânica em camadas
mais superficiais.
40
Figura 6: Mapas da distribuição dos atributos Na+, SB, V (%) e Fe na camada 0

– 0,20 m.
Para a saturação por bases (V%), são observados em uma grande

proporção da área níveis com intervalo entre 72 a 85 % (Figura 6). Destaca-se
que nos locais onde o atributo K+ e a relação Ca2+/Mg2+ apresentaram os maiores
níveis, foram encontrados os maiores níveis de SB e V, sugerindo que a
participação destes atributos no complexo de troca tende a ser maior, e que este
não está sendo preferencialmente ocupado por H ou Al. Chepote et al. (2012)
afirmam que os valores do atributo V superiores a 40% são indicados para o
cultivo de cacaueiros.
O atributo Fe é observado numa grande extensão da área com valores no
intervalo entre 126 a 320 mg dm-³ (Figura 6). A primeira classe do mapa indica
que este atributo encontra-se com valores considerados médio a alto, conforme
Chepote et al. (2013), sendo a outras classes consideradas acima do nível alto
para cacaueiros.
41
Oliveira; Nascimento (2006) observaram que o Fe, preferencialmente

adsorvido a óxidos cristalinos, apresentou baixa disponibilidade em solução do
solo, porém os níveis prontamente disponíveis foram relacionados às frações de
matéria orgânica independentemente da região fisiográfica. Conforme Santana
et al. (2011) o Fe encontra-se complexado as substâncias húmicas da matéria
orgânica através da interação com o grupo OH, abundante na fração húmica da
MO do solo, tornando-o mais disponível na solução do solo.
Segundo Raij (2011) o Fe encontra-se na forma de quelatos em solos com
teores elevados de MO, podendo seus níveis serem elevados no solo, mas com
ferro prontamente solúvel muito baixo. Para Novais; Smyth (1999) a precipitação
do Fe com fosfatos formando as estrengitas ocorre em solos ácidos e tornam
sua solubilidade elevada conforme se eleva o pH. O contrário ocorre com o Ca2+
em solos calcários, com sua solubilidade reduzida com o aumento do pH.
Figura 7: Mapas da distribuição dos atributos Zn, Cu, CTC efetiva e CTC pH 7,0
na camada 0 – 0,20 m.
42
Para o atributo Zn o mapa indica que uma grande extensão da área

apresenta valores acima de 7,2 mg dm-³ (Figura 7). O menor valor encontrado
para este atributo indica que seus níveis no solo são altos (CHEPOTE et al.,
2013). O mapa de Cu indica que a maior proporção da área encontra-se com
valores acima 6,9 mg dm-³ (Figura 7). Este atributo também foi encontrado no
solo em níveis considerados altos (CHEPOTE et al., 2013).
Níveis elevados de cobre foram observados por Biondi et al. (2011) em
Nitossolo, atribuindo tal resultado à presença de basalto no solo. De acordo com
esses autores a disponibilidade de Zn, em Nitossolo, também está relacionada
ao basalto, entretanto em solos de textura arenosa seus níveis tendem a ser
menores.
Além do Fe, a MO do solo poderá formar complexos com Cu, Zn e Mn
que, dependendo da relação entre os metais e as substâncias húmicas ou
fúlvicas, poderá haver menor ou maior disponibilidade. Este fato fica evidente
neste estudo onde a alta disponibilidade dos micronutrientes no solo, com
exceção para a primeira classe do Fe, se deve à sua interação com a MO do
solo, conforme Silva; Mendonça (2007). Moreira; Siqueira (2006) comentam que
a afinidade entre micronutriente e o agente complexante é fundamental na
indicação sobre a solubilidade e a mobilidade dos organometálicos no solo,
sendo comum ocorrer deficiências de Cu devido à maior interação entre o
nutriente e compostos orgânicos.
A estabilidade dos complexos formados por ácidos orgânicos ameniza
possíveis ocorrências de toxidez por micronutrientes e quando relacionado ao
pH poderá reduzir a incidência de deficiência por micronutrientes (MOREIRA;
SIQUEIRA, 2006). É válido ressaltar que o pH do solo observado neste estudo
(5,5 a 6,5) caracteriza uma faixa de decréscimo da disponibilidade de
micronutrientes na solução do solo, porém podendo ter sua solubilidade afetada
através da complexação com compostos orgânicos da MO quando esta se
apresenta no estágio de decomposição (ABREU et al., 2007).
Para a CTC efetiva o mapa mostra que grande parte da área possui
valores dentro do intervalo de 11,5 a 18,8 cmolc dm-3 (Figura 7). Briedis et al.
(2012) quando analisaram o teor de carbono orgânico e sua influência na
fertilidade do solo, observaram uma correlação positiva entre COT e a CTC
efetiva.
43
O mapa de CTC pH 7,0 indica que uma grande proporção da área

apresenta valores no intervalo entre 18 a 24,8 cmolc dm-3 (Figura 7). Conforme
Chepote et al. (2012) valores de CTC acima de 8 cmolc dm-3 já são considerados
adequados para o cultivo de cacaueiros.
Figura 8: Mapas da distribuição da produtividade do cacau temporão e cacau

safra em 12 meses.
Os mapas de produtividade do cacaueiro (Figura 8) indicam que uma

grande extensão da área apresenta produtividade entre 0 a 2877 kg ha -1 para o
cacau temporão e produtividade inferior a 1308 kg ha -1 para o cacau safra.
Conforme Leite et al. (2012) e Benjamin (2012) fatores genéticos e ambientais
podem interferir na produtividade de uma planta e quando avaliado diferentes
genótipos tal caraterística pode ser mais acentuada.
Deheuvels et al. (2012) analisaram 36 amostras de cacaueiro em
diferentes sistemas agroflorestais e densidades de cultivo na Costa Rica e
observaram que o rendimento estimado em peso seco de cacau por ano variou
de 50 a 300 kg ha-1. De acordo com esses autores, diferentes sistemas são
capazes de resultar em diferentes produtividades interplantas, assim a variação
expressa dentro e entre sistemas sofrem influência das variações existentes no
solo, na planta e no dossel de cobertura.
Em linhas gerais, a fertilidade do solo em estudo apresenta elevada
variabiabilidade sugerindo que a aplicação de fertilizantes e corretivos não deve
ser realizada com base na média dos dados, para se evitar uma sub ou super
aplicação de produtos. Conforme Sanchez et al. (2012), o correto é considerar a
44
variabilidade espacial dos atributos químicos na área. Observou-se elevada

variabilidade na produtividade as quais estão sendo influenciadas pela genética,
condições ambientais a qual o cacaueiro está inserido e pela fertilidade do solo.
A correção da fertilidade do solo para o cultivo de cacaueiros através da
aplicação de insumos em taxa variada visando a alocação dos nutrientes em
quantidades adequadas pode ser uma alternativa para melhorar os níveis de
produtividade da cultura.
4.1 Zonas de Manejo
As zonas de manejo foram definidas seguindo metodologia proposta por

Valente (2010). Foram avaliadas 20 interações oriundas da combinação entre os
atributos físicos do solo e a produtividade do cacaueiro, conforme apresentado
na Tabela 1. Para cada combinação de atributos foram testadas de 2 a 5 classes
de zonas, de forma a se obter o melhor número de classes para cada interação.
A escolha do número de classes baseou-se na avaliação dos índices FPI (Índice
de Performance Fuzzy) e NCE (Entropia de Classificação Normalizada).
Segundo Valente (2010), em uma classificação para geração de zonas de
manejo deve-se, inicialmente, definir o número de classes que se deseja dividir
o conjunto de dados. Em seguida, as zonas devem ser testadas para determinar
se o número encontrado é realmente o ideal em cada combinação. Fridgen et al.
(2004), afirmam que número ótimo de classes para cada zona de manejo pode
ser determinado quando se encontra o mínimo valor para FPI e NCE,
respectivamente.
Analisando os resultados da Tabela 4, observa-se que oito combinações
de zonas minimizaram os índices com duas classes (AT, ARG, SIL, AT_ARG,
AT_SIL, ARG_SIL, AT_ARG_SIL e T_S_AT_ARG_SIL), oito combinações
minimizaram os índices com três classes (S, S_AT, S_ARG, S_SIL, T_AT,
T_ARG, T_SIL e T_S), três combinações minimizaram os índices com quatro
classes (T_S_AT, T_S_ARG e T_S_SIL) e apenas a zona gerada para a
produtividade do cacau temporão (T) minimizou os índices com um número
diferente de classes (FPI – 2 classes e NCE – 5 classes). Nos casos onde os
índices não coincidem em um número único de classes, Fridgen et al. (2004)
45
recomendam uma análise adicional, avaliando-se a concordância das diferentes

zonas com as variáveis classificatórias.
Em linhas gerais, pode-se dizer que, quando se define zonas de manejo
a partir de uma única variável, os índices FPI e NCE tendem a ser minimizados
em apenas duas classes, conforme se observa para AT, ARG, SIL e T. Esses
resultados corroboram os observados por Sobjak (2012), onde a maior eficiência
relativa para zonas geradas à partir de variáveis individuais foram para duas
classes, com minimização dos índices.
No caso da combinação de mais de uma variável, o padrão de número de
classes relatado anteriormente não se evidencia, visto que foram ajustadas
combinações com duas, três e quatro classes. Valente et al. (2012), gerando
zonas de manejo para a cultura do café com base em combinação de variáveis,
observaram minimização dos índices FPI e NCE em três classes. Resultados
semelhantes foram observados por Molin; Castro (2008), Yan et al. (2008), Xin-
Zhong et al. (2009), Morari et al. (2009).
Considerando que o maior número de combinações (16) apresentou FPI
e NCE mínimos para duas e três classes, pode-se dizer que estas são as mais
recomendadas para a geração de zonas de manejo para a cultura do cacau.
Santos et al. (2003) afirmam que um menor número de classes na geração de
zonas torna a aplicação de manejos localizados mais viável economicamente,
visto a maior facilidade de subdivisão dos campos de produção. Entretanto,
diversos autores têm relatado a utilização de quatro ou mais zonas para manejo
das culturas agrícolas. Davatgar et al. (2012) encontraram o número de classes
igual a 4 como ótimo para definir zonas de manejo para a fertilidade de um solo
cultivado com arroz. Bazzi et al. (2013) constataram que um número superior a
três classes é eficiente para o manejo da fertilidade em área de plantio de soja.
46
Tabela 4: Índice FPI e NCE para cada classe de cada zona de manejo.
FPI NCE
ZM
2 3 4 5 2 3 4 5
AT 0,2105 0,2894 0,2779 0,3111 0,2607 0,3154 0,2877 0,3034
ARG 0,1461 0,1800 0,2647 0,2776 0,1873 0,2091 0,2668 0,2625
SIL 0,1410 0,1555 0,2167 0,2630 0,1823 0,1833 0,2202 0,2495
AT_ARG 0,1799 0,3002 0,3028 0,3205 0,2345 0,3285 0,3104 0,3141
AT_SIL 0,1896 0,3980 0,3838 0,4446 0,2508 0,4170 0,3888 0,4305
ARG_SIL 0,1577 0,3130 0,3736 0,3963 0,2095 0,3393 0,3742 0,3851
AT_ARG_SIL 0,1787 0,3833 0,3915 0,4329 0,2375 0,4021 0,3923 0,4175
S 0,2294 0,2171 0,2815 0,3286 0,2798 0,2450 0,2896 0,3096
S_AT 0,5170 0,4075 0,4654 0,4545 0,5929 0,4556 0,4852 0,4606
S_ARG 0,4469 0,3529 0,4081 0,4328 0,5241 0,3993 0,4277 0,4368
S_SIL 0,4261 0,3452 0,4022 0,4125 0,5044 0,3900 0,4201 0,4179
T 0,2837 0,2954 0,3068 0,2915 0,3469 0,3317 0,3160 0,2882
T_AT 0,5401 0,4076 0,4758 0,4955 0,6119 0,4620 0,4996 0,5022
T_ARG 0,5564 0,3527 0,4163 0,4819 0,6225 0,4046 0,4394 0,4792
T_SIL 0,5803 0,3549 0,4095 0,4104 0,6496 0,4045 0,4316 0,4234
T_S 0,5524 0,4743 0,5095 0,5225 0,6205 0,5204 0,5313 0,5287
T_S_AT 0,7077 0,5933 0,5760 0,6246 0,7664 0,6401 0,6057 0,6324
T_S_ARG 0,7095 0,5525 0,5342 0,5776 0,7671 0,6015 0,5661 0,5913
T_S_SIL 0,7146 0,5489 0,5351 0,5975 0,7720 0,5959 0,5653 0,6007
T_S_AT_ARG_SIL 0,4736 0,5462 0,5851 0,6265 0,5608 0,5831 0,6036 0,6285
ZM – zona de manejo; AT – areia total; ARG – argila; SIL – silte; T – cacau temporão; S – cacau safra; FPI – Índice de Performance Fuzzy; NCE –
Entropia da Classificação Normalizada; Valores em negrito indicam a minimização dos índices para as classes de zonas de manejo.
47
A partir da escolha do número ideal de classes para cada combinação de

variáveis, foram elaborados os mapas de zonas de manejo para a cultura do
cacau, os quais são apresentados nas Figuras 9 a 13. Nas Tabelas 5 a 7 são
apresentados os valores médios das combinações de variáveis em cada uma
das zonas de manejo definidas.
Figura 9: Mapas temático das zonas de manejo geradas para as combinações

AT, ARG, SIL e AT_ARG.
48
AT_SIL, ARG_SIL, AT_ARG_SIL, T e T_S_AT_ARG_SIL.
49
Tabela 5: Média e desvio padrão dos centroides das melhores zonas de manejo com duas classes.
T (kg ha-1) S (kg ha-1) AT (g kg-1) ARG (g kg-1) SIL (g kg-1)

ZM Classes
M s M s M s M s M s
1 2301,44 739,64 1.464,58 753,90 481,02 45.59 149,40 39,64 353,65 60,00
T_S_AT_ARG_SIL
2 2712,22 381,04 1.090,59 572,13 301,62 49,29 380,13 58,45 57,84 83,54
1 1745,85 333,98
T
2 2950,20 360,40
1 309,34 50,76
AT
2 486,10 39,25
1 147,48 36,49
ARG
2 375,90 60,28
1 57,37 73,21
SIL
2 359,38 47,63
1 303,40 47,39 374,23 61,39
AT_ARG
2 483,84 41,44 146,94 35,71
1 297,97 47,35 48,14 71,59
AT_SIL
2 479,58 46,96 352,30 61,05
1 151,20 42,28 352,30 61,05
ARG_SIL
2 385,04 55,19 48,14 71,59
1 297,11 45,73 385,53 54,13 49,46 74,51
AT_ARG_SIL
2 479,82 46,47 151,06 41,90 351,93 61,92
ZM – zona de manejo; AT – Areia total; ARG – argila; SIL – silte; T – cacau temporão; S – cacau safra; M – média; s – desvio padrão.
50
S_AT, S_ARG, S_SIL e S.
51
T_AT, T_ARG, T_SIL e T_S.
52
Tabela 6: Média e desvio padrão dos centroides das melhores zonas de manejo com três classes.

ZM Classes
M s M s M s M s M s
1 941,85 242,92
S 2 2036,93 371,35
3 3863,23 781,06
1 991,47 357,60 307,10 51,28
S_AT 2 1028,60 291,80 493,16 42,09
3 2370,79 577,92 463,45 43,85
1 1005,14 370,17 381,92 58,84
S_ARG 2 1028,90 295,14 146,17 40,43
3 2391,98 570,66 163,87 52,81
1 990,04 431,77 49,38 70,07
S_SIL 2 1047,53 289,61 354,44 49,91
3 2387,28 573,24 355,36 66,94
1 1698,04 330,83 493,57 43,82
T_AT 2 2640,38 412,68 305,96 49,05
3 3030,82 364,71 474,38 34,05
1 1698,36 321,93 148,61 42,02
T_ARG 2 2693,53 381,41 380,67 57,34
3 3012,99 373,66 149,97 35,79
1 2699,70 404,73 50,22 70,90
T_SIL 2 1709,71 332,22 340,91 65,70
3 3005,78 376,56 370,40 39,48
1 1686,71 320,05 1027,56 375,95
T_S 2 2620,59 541,36 2452,38 574,41
3 2950,13 378,95 1080,93 333,39
53
T_S_AT, T_S_ARG e T_S_SIL.
54
Tabela 7: Média e desvio padrão dos centroides das melhores zonas de manejo com quatro classes.

ZM Classes
M s M s M s M s M s
T_S_AT 1 1647,53 320,03 1005,18 320,59 498,17 47,75
2 427,21 539,35 528,08 581,68 460,32 47,27
3 2627,27 427,72 989,52 368,64 302,08 48,67
4 119,25 339,31 1296,85 427,49 475,12 34,62
T_S_ARG 1 1658,89 318,77 1043,41 373,81 149,32 45,92
2 2507,99 516,12 2538,93 581,21 170,31 58,02
3 2688,69 390,71 985,45 371,96 383,23 58,60
4 3117,35 346,18 1270,52 399,85 143,36 31,19
T_S_SIL 1 1680,46 333,91 1049,08 377,04 338,48 66,39
2 2522,06 523,06 2542,61 578,86 346,35 73,98
3 2707,17 410,42 1010,41 432,98 43,82 69,11
4 3106,88 351,72 1261,75 387,24 372,97 37,55
55
Analisando os mapas das zonas de manejo definidas para as variáveis

individualizadas é possível observar semelhança destes com os mapas de
variabilidade espacial originais, principalmente para a areia total (AT) e argila
(ARG), onde os maiores valores de distribuição espacial encontram-se nas
regiões superior esquerda e inferior direita da área, respectivamente. Nessas
regiões são observados, nos mapas de zonas de manejo, a classe mais baixa
de AT (classe 1) e mais alta de ARG (classe 2). Resultados semelhantes foram
observados por Valente (2010) e Pedroso et al. (2010). Esses últimos autores
comentam que este comportamento de semelhança é uma característica do
algoritmo Fuzzy K-means, o qual depende da qualidade do mapa de
variabilidade espacial da variável original. Este fato justifica a menor semelhança
para as demais variáveis individualizadas, visto a maior variabilidade espacial
observada nos seus mapas originais.
Com exceção das combinações areia total (AT), argila (ARG), areia total
e argila (AT_ARG), areia total e silte (AT_SIL), argila e silte (ARG_SIL), areia
total, argila e silte (AT_ARG_SIL) e temporão, safra, areia total, argila e silte
(T_S_AT_ARG_SIL) as demais combinações, independentemente do número
de zonas definidas, apresentaram classes mais dispersas e consequentemente
menor continuidade nas zonas de manejo. Da mesma forma como relatado no
parágrafo anterior, esse comportamento, está relacionado à maior variabilidade
espacial observada para as variáveis utilizadas para geração das zonas.
Tisseyre; McBratney (2008) comentam que pequenas divisões isoladas
nas áreas oriundas de delineamentos com diferentes classes, inviabiliza ou
prejudica o manejo das atividades devido as limitações técnicas e econômicas,
principalmente em áreas manejadas mecanicamente. No caso de áreas de
produção de cacau em sistemas agroflorestais e outras culturas como o café,
onde os tratos culturais e adubações são realizados manualmente, as
descontinuidades de zonas de manejo não inviabilizam a operação (SILVA et al.,
2010c). Segundo esses autores, o ideal é que as áreas individualizadas não
sejam muito reduzidas, o que poderia dificultar os procedimentos.
À medida que se eleva o número de classes a descontinuidade de zonas
de manejo também se eleva. Esse comportamento já era esperado, visto que
aumenta-se a variação entre variáveis utilizadas nas combinações e também a
estratificação dos agrupamentos. Salami et al. (2011) comentam que zonas de
56
manejo geradas à partir de variáveis que apresentam distribuição espacial muito

divergente, tendem a produzir maiores descontinuidades, mesmo com número
reduzido de classes. De acordo com esses autores, situações onde tanto o
número de classes como o de variáveis é elevado, a aplicação de zonas de
manejo se torna impossível, dada a formação de pequenas manchas dentro de
zonas contínuas.
Avaliando a contribuição de cada variável dentro das combinações para
geração das zonas de manejo, observa-se que, até três classes, apesar do
antagonismo quanto à média dos centroides das classes, o comportamento da
argila (ARG) e areia total (AT) é o mesmo. Tal comportamento não se evidencia
para o silte, onde a sua utilização contribui para elevar a descontinuidade entre
zonas e retorna mapas com divisões diferentes. Este fato pode-se justificar pela
maior variação deste atributo quando separado em classes, conforme se
observa nas tabelas de médias de centroides, onde sempre na classe de menor
média, o desvio padrão foi elevado.
Analisando a Figura 12, onde são apresentadas as combinações cujos
índices FPI e NCE foram mínimos em quatro classes, observa-se paridade entre
todos os mapas. Como estes mapas foram construídos à partir da associação
entre produtividade do cacau de safra (S) e do cacau temporão (T) com areia
total, argila ou silte, é possível afirmar que zonas de manejo divididas em quatro
classes e que contemplem a informação da produtividade podem ser geradas
em combinação com qualquer fração granulométrica sem que haja expressiva
alteração no resultado, tanto da distribuição espacial das classes quanto para os
valores médios dos centroides (Tabela 7).
4.2 Avaliação da concordância entre as zonas de manejo e atributos

químicos
Com os mapas de zonas de manejo definidos, realizou-se a tabulação

cruzada destes com os mapas das variáveis classificatórias (Tabela 8),
respeitando o número de classes para se obter uma tabulação eficiente
(KITCHEN et al., 2005). Esta análise de concordância foi realizada com o
objetivo de comparar as diferentes variáveis de entrada utilizadas para a geração
57
de zonas de manejo e identificar as mais importantes para o delineamento de

sítios específicos de gerenciamento da fertilidade para a cultura do cacau.
O coeficiente Kappa foi utilizado para avaliar a concordância entre os
mapas, sendo que quanto maior o seu valor maior a concordância. Utilizou-se,
conforme descrito anteriormente, o critério de Congalton; Mead (1986), que
estabelece: Kappa < 0 a concordância é péssima e não significativa (D); 0 ≤
kappa < 0,20, a concordância é significativa porém ruim (C); 0,20 ≤ kappa ≤ 0,40,
concordância significativa porém razoável (B), e; Kappa ≥ 0,41, concordância
significativa e boa (A).
As zonas de manejo geradas apresentaram coeficiente Kappa entre o
péssimo e o bom, sendo significativos para a maioria das variáveis
classificatórias (Tabela 8). As zonas geradas para as combinações temporão,
safra e areia total (T_S_AT), temporão, safra e argila (T_S_ARG), temporão,
safra e silte (T_S_SIL) foram as únicas que apresentaram concordância
significativa com todos os atributos de solo, com predominância de
concordâncias consideradas razoáveis (87,5%). Entretanto, em nenhum dos
casos os índices foram considerados bons (≥ 0,41), fato que somente se observa
para as combinações areia total (AT), temporão e areia total (T_AT), temporão e
argila (T_ARG), temporão e silte (T_SIL), safa e areia total (S_AT), safra e argila
(S_ARG).
Os atributos cálcio (Ca), carbono orgânico total (COT), ferro (Fe) e
saturação por bases (V) foram os únicos que apresentaram coeficientes Kappa
superiores à 0,41. Os mapas de Ca e Fe foram os mais bem classificados pelas
zonas, visto que apresentaram valores superiores de Kappa para a maioria
delas, com destaque para temporão e areia total (T_AT), temporão e argila
(T_ARG), temporão e silte (T_SIL). Sousa et al. (2007) informam que ao fornecer
cálcio (Ca2+) e magnésio (Mg2+), via correção do solo, ao cacaueiro, o sistema
radicular terá um desenvolvimento mais eficiente, a resistência das plantas à
déficit hídrico será elevada e a absorção do fósforo terá uma melhora
substancial. Chepote et al. (2013) informam que a carência de ferro causa danos
severos no crescimento vegetativo e, consequente, produtividade dos
cacaueiros.
58
Tabela 8: Coeficiente Kappa das zonas de manejo e atributos químicos do solo.
Atributos Químicos
Zonas
CTC pH
de Manejo pH H+Al P K Ca Mg Ca/Mg SB COT Na Fe Zn Cu V (%) CTC
7,0
AT 0,26B -0,25D 0,34B -0,25D 0,41A 0,17C 0,20B -0,20D 0,42A 0,27B 0,31B 0,21B 0,34B 0,34B 0,23B 0,21B
ARG 0,22B -0,24D 0,31B -0,24D 0,38B 0,17C 0,22B -0,21D 0,38B 0,25B 0,35B -0,33D -0,32D 0,31B 0,20B -0,32D
SIL 0,19C -0,22D 0,22B -0,24D 0,32B 0,20B 0,20B -0,17D 0,29B 0,18C 0,40B -0,31D 0,24B 0,25B -0,23D -0,33D
AT_ARG 0,23B -0,24D 0,31B -0,24D 0,38B 0,16C 0,22B -0,21D 0,39B 0,26B 0,35B -0,33D 0,31B 0,31B 0,21B -0,33D
AT_SIL 0,19C -0,23D 0,28B -0,23D 0,34B 0,16C 0,23B -0,20D 0,35B 0,24B 0,39B -0,31D 0,28B 0,28B -0,29D -0,30D
ARG_SIL 0,19C -0,23D 0,28B -0,23D 0,34B 0,16C 0,23B -0,20D 0,35B 0,24B 0,39B -0,31D 0,28B 0,28B -0,29D -0,30D
AT_ARG_SIL 0,19C -0,23D 0,28B -0,23D 0,34B 0,17C 0,24B -0,20D 0,35B 0,22B 0,39B -0,31D 0,28B 0,28B -0,29D -0,30D
S 0,15C 0,12D -0,16D -0,06D -0,05D -0,07D 0,17C -0,11D 0,22B -0,21D -0,18D 0,19C 0,17C -0,13D -0,12D -0,06D
T_AT 0,23B 0,13C 0,32B 0,28B 0,65A 0,13C 0,20B 0,28B 0,29B 0,29B 0,43A 0,16C 0,28B 0,36B 0,26B 0,22B
T_ARG 0,22B 0,14C 0,30B -0,30D 0,63A 0,14C 0,22B 0,27B 0,28B 0,29B 0,46A 0,19C 0,26B 0,33B 0,24B 0,20B
T_SIL 0,24B 0,15C 0,26B -0,28D 0,61A 0,13C 0,20B 0,26B 0,23B 0,27B 0,47A 0,19C 0,24B 0,31B 0,20B 0,19C
S_AT 0,14C 0,01D 0,30B 0,22B 0,35B 0,14C 0,18C 0,23B 0,30B 0,21B 0,16C 0,25B 0,30B 0,43A 0,24B 0,25B
S_ARG 0,12C 0,02D 0,27B -0,01D 0,33B 0,12C 0,19C 0,24B 0,26B 0,22B 0,19C 0,03C 0,27B 0,41A 0,20B 0,22B
S_SIL 0,10C 0,03D 0,17C 0,0D 0,28B 0,16C 0,21B 0,22B 0,20B 0,20B 0,22B 0,04C 0,22B 0,36B 0,15C 0,20B
T_S 0,17C 0,18C 0,14C 0,29B 0,30B 0,08D 0,19C 0,07D 0,24B 0,13C 0,26B 0,27B 0,05C 0,16C 0,07D 0,04D
T_S_AT 0,24B 0,22B 0,39B 0,32B 0,38B 0,10C 0,11C 0,21B 0,32B 0,39B 0,32B 0,33B 0,35B 0,34B 0,28B 0,22B
T_S_ARG 0,23B 0,21B 0,35B 0,31B 0,36B 0,13C 0,13C 0,21B 0,33B 0,36B 0,33B 0,34B 0,32B 0,32B 0,25B 0,21B
T_S_SIL 0,20B 0,20B 0,34B 0,30B 0,36B 0,15C 0,14C 0,23B 0,31B 0,32B 0,36B 0,32B 0,30B 0,31B 0,22B 0,20B
T_S_AT_ARG_SIL 0,21B -0,24D 0,29B -0,24D 0,36B 0,15C 0,22B -0,21D 0,36B 0,24B 0,37B -0,32D 0,29C 0,29B 0,19C -0,31D
AT – Areia total; ARG – argila; SIL – silte; T – cacau temporão; S – cacau safra.
59
A saturação por bases (V) foi o atributo que apresentou concordância com
o maior número de combinações de zonas de manejo. O mapa gerado para esse
atributo foi bem classificado para todas as combinações, exceto safra (S) e
temporão e safra (T_S). Arévalo et al. (2012) comentam que o cultivo de
cacaueiros requer solos férteis e com boa disponibilidade de Ca 2+, Mg2+, K+ e
Na+, quantificado no resultado do atributo V forma a SB, principalmente no que
diz respeito ao Mg2+ e K+ devido ao acúmulo destes elementos na casca e
amêndoas. No geral, para as culturas agrícolas a SB está relacionada a
disponibilidade de bases trocáveis, o que afeta a capacidade de troca na
superfície dos colóides, principalmente quando na presença de H + e Al3+
podendo comprometer a disponibilidade das bases em solução (RAIJ, 2011).
Para os macronutrientes fósforo (P) e potássio (K+), as maiores
concordâncias foram observadas para as zonas geradas à partir de temporão,
safra e areia total (T_S_AT), entretanto, estes valores não apesentam diferença
para os índices Kappa da maioria das demais combinações. Apesar da
inexistência de diferença entre classes de índice, Valente (2010) relata que a
escolha das melhores zonas deve considerar os maiores valores absolutos de
Kappa, de forma a elevar a representatividade das zonas.
A concordância entre os mapas de zonas de manejo e as variáveis
classificatórias indicam que os atributos pH (H2O), a relação Ca2+/Mg2+ e o COT
foram os únicos que apresentaram concordâncias significativas com todas as
combinações. De acordo com Alves et al. (2013) os atributos matéria orgânica e
pH, geralmente, são os mais bem classificados pelas zonas de manejo.
Como as zonas de manejo para o cacau temporão (T) não minimizou os
índices FPI e NCE com o mesmo número de classes, avaliou-se a concordância
para 2 e 5 classes (Tabela 9), conforme Alves et al. (2013). Resultados obtidos
com o coeficiente Kappa indicam que o melhor número de classes de zonas de
manejo do cacau temporão foi 2, por ter apresentado um maior número de
atributos bem classificados.
Após a análise de concordância entre as zonas de manejo e as variáveis
classificatórias (Tabelas 8 e 9), e conforme observado para os índices FPI e NCE
e mapas temáticos, pode-se dizer que, no geral, as combinações temporão e
areia total (T_AT), temporão e argila (T_ARG), temporão, safra e areia total
(T_S_AT), temporão, safra e argila (T_S_ARG) e temporão, safra e silte
60
(T_S_SIL) apresentaram os melhores desempenhos para a geração das zonas

de manejo para a cultura do cacau. Como os maiores valores de concordância
foram identificados para temporão e areia total (T_AT) e temporão e argila
(T_ARG) e não se observa diferença nos mapas gerados para essas
combinações, as variáveis recomendadas para definir zonas de manejo para a
cultura do cacau, na área em estudo, é a produtividade do cacau temporão e as
frações, areia total ou argila.
Tabela 9: Índice Kappa da zona de manejo do Cacau Temporão e atributos

químicos.
Zonas de Manejo
Atributos Químicos
2 classes 5 classes
pH (H2O) 0,01 C 0,16C
H+Al 0,15 C 0,14C
P+ 0,20B 0,13C
K+ 0,27 B 0,17C
Ca2+ 0,04 C 0,23B
Mg2+ 0,09 C 0,09C
Ca2+/Mg2+ 0,01 C 0,13C
SB 0,20B 0,13C
COT 0,34B 0,23B
Na+ 0,18C 0,16C
Fe 0,45A 0,26B
Zn 0,34B 0,21B
Cu 0,04 C 0,12C
V 0,04 C 0,14C
CTC efetiva 0,02 C 0,09C
CTC pH 7,0 0,03 C 0,10C
A, B, C e D
Letras iguais na mesma linha e em colunas diferentes indicam valores iguais entre as zonas de
manejo, um índice Kappa bom, razoável, ruim e péssimo, respectivamente e com significância de 95%.
Kitchen et al. (2005) afirmam que a definição de zonas de manejo

utilizando-se variáveis em conjunto tende a apresentar resultados mais
satisfatórios, porém, as melhores zonas são aquelas que tornam o procedimento
para recomendação de corretivos e fertilizantes em sítios específicos mais
viáveis do ponto de vista técnico, operacional e econômico. Para Morari et al.
(2009), as zonas de manejo mais viáveis economicamente são aquelas geradas
com um menor número de combinações e classes.
61
5 CONCLUSÕES
Para os 27 atributos avaliados apenas dois (Al e m%) não foram

analisados por meio das estatísticas diante dos valores iguais a zero. Na análise
geoestatística 10 atributos foram ajustados ao modelo gaussiano, 7 atributos ao
modelo esférico, 6 atributos ao modelo exponencial e 2 atributos ao modelo
efeito pepita puro.
O atributo químico Mn e a produtividade do cacau anual devem ser
avaliados conforme seus valores médios, devido seu comportamento aleatório.
A análise geoestatística permitiu a construção de 23 mapas de
variabilidade espacial, onde identificou-se regiões específicas com níveis
variáveis dos atributos, os quais podem ser utilizados como referenciais para a
correção da fertilidade do solo em taxas variadas.
A análise de zonas de manejo permitiu a construção de 20 mapas, sendo
nove mapas com duas classes, oito mapas cm três classes e três mapas com
quatro classes.
Quando se utiliza três classes para definir zonas de manejo as variáveis
areia total (AT) e argila (ARG) apresentam o mesmo comportamento. O mesmo
acontece quando se utiliza quatro classes e todas as frações granulométricas
para as variáveis supracitadas.
As combinações areia total (AT), temporão e areia total (T_AT), temporão
e argila (T_ARG), temporão e silte (T_SIL), safra e areia total (S_AT) e safra e
argila (S_ARG) apresentaram valores considerados bons na análise de
concordância com alguns atributos químicos do solo.
Apenas os atributos pH (H2O), Ca2+/Mg2+ e o COT apresentaram
concordâncias significativas com todas as combinações utilizadas na geração de
zonas de manejo.
As variáveis recomendadas na definição de zonas de manejo, na área em
estudo, é a produtividade do cacau temporão e as frações, areia total ou argila.
62
REFERENCIAS
ABREU, C. A. de; LOPES, A. S.; SANTOS, G. C. G. dos. Micronutrientes. In:

NOVAIS, R. F.; ALVAREZ V., V. H.; BARROS, N. F. de; FONTES, R. L. F.;
CANTARUTTI, R. B.; NEVES, J. C. L. (Ed.). Fertilidade do solo. Viçosa – MG.
pp.645-662. 2007.
ALMEIDA, C. M. V. C. de; DIAS, L. A. dos S.; SILVA, A. de P. Caracterização

agronômica de acessos de cacau. Pesquisa Agropecuária Brasileira, v. 44, n.
4, p.368-373. 2009.
ALMEIDA, A. A. F. de; VALLE, R. R. Ecophysiology of the cacao tree. Braz. J.

Plant Physiol. Londrina, v. 19, n. 4, p. 425-448, 2007.
ALVIM, P. de T. Cacau: história e evolução no Brasil e no mundo. Comissão

Executiva do Plano de Recuperação Econômico-Rural da Lavoura Cacaueira –
CEPLAC. p.24. 1972.
ALVES, S. M. de F.; ALCÂNTARA, G. R. de; REIS, E. F. dos; QUEIROZ, D. M.

de; VALENTE, D. S. M. Definição de zonas de manejo a partir de mapas de
condutividade elétrica e matéria orgânica. Biosci. J., v. 29, n. 1, Original Article.
2013.
ALVES, S. M. de F.; QUEIROZ, D. M. de; ALCÂNTARA, G. R. de; REIS, E. F.

dos. Variabilidade espacial de atributos físico-químicos do solo usando técnicas
de análise de componentes principais e geoestatística. Bioscience Journal, v.
30, p.22-30. 2014.
ANCHIETA, L. Amostragem de solo em Agricultura de Precisão:

particularidades e recomendações. 106f. Dissertação (Mestrado em Ciência)
– Escola Superior de Agricultura “Luiz de Queiroz”. 2012.
ANDRIOTTI, J. L. S. Introdução à Geoestatística. Acta Geologica

Leopoldensia, n. 27, vol. 11, p. 7-82. 1989.
ANDRIOTTI, J. L. S. Notas de Geoestatística. Acta Geologica Leopoldensia,

n. 15, vol. 55, p. 3-14. 2002.
ANSELIN, L.; BONGIOVANNI, R.; LOWENBERG-DEBOER, J. A Spatial

econometric approach to the economics of site-specific nitrogen management in
corn production. American Journal of Agricultural Economics, v. 86, n. 3,
p.675-687. 2004.
AQUINO, R. E. de; CAMPOS, M. C. C.; MARQUES JÚNIOR, J.; OLIVEIRA, I. A.

de; MANTOVANELI, B. C.; SOARES, M. D. R. Geoestatística na avaliação dos
atributos físicos em latossolo sob floresta nativa e pastagem na região de
manicoré, amazonas. R. Bras. Ci. Solo, v. 38, p.397-406, 2014.
63
ARÉVALO, E.; RAM, A.; VALLE, R. R. Integração de práticas de manejo no

cultivo de cacau. In: VALLE, R. R. (Ed.). Ciência, tecnologia e manejo do
cacaueiro. Itabuna: Gráfica e Editora Vital. p.324-370. 2012.
ATANDA, O. A.; JACOB, V. J. Yield characteristics of Theobroma cacao L. with

special reference to studies in Nigeria. Revista Theobroma v. 5, n. 3, p.21-36,
1975.
BARBOSA, R. C. M. Aspectos edafoclimáticos para o cultivo. In: SILVA NETO,

P. J. da; MATOS, P. G. G. de; MARTINS, A. C. de S.; SILVA, A. de P. Sistema
de produção de cacau para a Amazônia Brasileira. Belém, CEPLAC, p.21-22,
2001.
BARRETO, A. C.; LIMA, F. H. S.; FREIRE, M. B. G. dos S.; ARAUJO, Q. R. de;

FREIRE, F. J. Características químicas e físicas de um solo sob floresta, sistema
agroflorestal e pastagem no Sul da Bahia. Revista Caatinga, v. 19, n. 4, p.415-
425. 2006.
BARRETO, P. A. B.; GAMA-RODRIGUES, E. F.; GAMA-RODRIGUES, A. C.;

FONTES, A. G.; POLIDORO, J. C.; MOÇO, M. K. S.; MACHADO, R. C. R.;
BALIGAR, V. C. Distribution of oxidizable organic C fractions in soils undercacao
agroforestry systems in Southern Bahia, Brazil. Agroforest Syst. DOI
10.1007/s10457-010-9300-4. 2010.
BAZZI, C. L.; SOUZA, E. G.; URIBE-OPAZO, M. A.; NÓBREGA, L. H. P.;

ROCHA, D. M. Management zones definition using soil chemical and physical
attributes in a soybean área. Eng. Agríc., v.34, n.5, p.952-964. 2013.
BENJAMIN, C. S. Seleção de genótipos de cacaueiro para resistência a

Moniliophthora perniciosa e produtividade. 84f. Dissertação (Mestrado em
Produção Vegetal) - Universidade Estadual de Santa Cruz. 2012.
BIONDI, C. M.; NASCIMENTO, C. W. A. do; FABRICIO NETA, A. de B.;

RIBEIRO, M. R. Teores de Fe, Mn, Zn, Cu, Ni e Co em solos de referência de
Pernambuco. R. Bras. Ci. Solo, v. 35, p.1057-1066. 2011.
BORA, D. J.; GUPTA, A. K. A Comparative study Between Fuzzy Clustering

Algorithm and Hard Clustering Algorithm. International Journal of Computer
Trends and Technology, v. 10, n. 2, p.108-113. 2014.
BOTTEGA, E. L.; SILVA, S. de A.; COSTA, M. M.; BOTTEGA, S. P. Cokrigagem

na estimativa dos teores de Ca e Mg em um Latossolo Vermelho distroférrico.
Revista Ciência Agronômica, v. 42, n. 4, p.821-828. 2011.
BOTTEGA, E. L.; QUEIROZ, D. M. de; PINTO, F. de A. de C.; SOUZA, C. M. A.

de. Variabilidade espacial de atributos do solo em sistema de semeadura direta
com rotação de culturas no cerrado brasileiro. Revista Ciência Agronômica, v.
44, n. 1, p.1-9. 2013.
64
BRASIL – MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO.

Agricultura de Precisão. Boletim Técnico. Brasília: MAPA, p.39. 2013.
BREGT, A. K.; BOUMA, J.; JELLINEK, M. Comparison of Thematic Maps Derived

from a Soil Map and from Kriging of Point Data. Geoderma, v. 39, p.281-291.
1987.
BRIEDIS, C.; Sá, J. C. de M.; CAIRES, E. F.; NAVARRO, J. de F.; INAGAKI, T.

M.; FERREIRA, A. de O. Carbono do solo e atributos de fertilidade em resposta
à calagem superficial em plantio direto. Pesquisa Agropecuária Brasileira, v.
47, n. 7, p.1007-1014. 2012.
BURAK, D. L.; PASSOS, R. R.; ANDRADE, F. V. Variabilidade espacial de

atributos químicos do solo sob cafeeiro Conilon: relação com textura, matéria
orgânica e relevo. Bragantia, v. 71, n. 4, p.538-547, 2012.
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 Central Iowa soils. Soil Science Society American Journal, v. 58,
p.1501-1511. 1994.
CAMPOS, M. C. C.; OLIVEIRA, I. A. de; SANTOS, L. A. C. dos; AQUINO, R. E.

de; SOARES, M. D. R. Variabilidade espacial da resistência do solo à penetração
e umidade em áreas cultivadas com mandioca na região de Humaitá, AM.
Revista AgroAmbiente, v. 6, n. 1, 09-16p. 2012.
CAMPOS, M. C. C.; SOARES, M. D. R.; OLIVEIRA, I. A.; SANTOS, L. A. C.;

AQUINO, R. E. Spatial variability of physical attributes in Alfissol under
agroforestry, Humaitá region, Amazonas state, Brazil. Revista Ciências
Agrárias, v. 56, n. 2, p. 149-159. 2013.
CARDOSO, E. L.; SILVA, M. L. N.; CURI, N.; FERREIRA, M. M.; FREITAS, D.

A. F. de. Qualidade química e física do solo sob vegetação arbórea nativa e
pastagens no Pantanal Sul-Mato-Grossense. R. Bras. Ci. Solo, v 35, p.613-622.
2011.
CARDOSO, J. A.; LACERDA, M. P. C.; REIN, T. A.; SANTOS JUNIOR, J. de D.

G. dos; FIGUEIREDO, C. C. de. Variability of soil fertility properties in areas
planted to sugarcane in the state of Goiás, Brazil. R. Bras. Ci. Solo, v. 38, p.506-
515. 2014.
CARMO, D. A. B.; VAL, B. H. P. Classificação dos neossolos e nitossolos quanto

a natureza física, químicas e morfológicas. FAZU, n.10, p.17-26. 2013.
CARVALHO FILHO, R.; MELO, A. A. O. de; SANTANA, S. O. de; LEÃO, A. C.

Solos do município de Ilhéus. Boletim Técnico nº 147. pp.90. 1987.
CASTRO, G. C. T.; BARTLEY, B. G. D. Caracterização dos recursos genéticos

do cacaueiro: 1. Folha, fruto e semente de seleções da Bahia das séries SIC e
SIAL. Revista Theobroma, v. 13, n. 3, p.263-273. 1983.
65
CHAVES, L. H. G.; FARIAS, C. H. de A. Variabilidade espacial de cobre e

manganês em Argissolo sob cultivo de cana-de-açúcar. Revista Ciência
Agronômica, v. 40, n. 2, p.211-218. 2009.
CHEPOTE, R. E.; SODRÉ, G. A.; REIS, E. L.; PACHECO, R. G.; MARROCOS,

P. C. L.; SERÔDIO, M. H. C. F.; VALLE, R. R. Recomendações de corretivos
e fertilizantes na cultura do cacaueiro no sul da Bahia - 2ª aproximação.
Ilhéus. CEPLAC/CEPEC. 36p. 2005.
CHEPOTE, R. E.; SANTANA, S. O. de; ARAUJO, Q. R. de; SODRÉ, G. A.; REIS,

E. L.; PACHECO, R. G.; MARROCOS, P. C. L.; SERÔDIO, M. H. DE C. F.;
VALLE, R. R. Aptidão agrícola e fertilidade de solos para a cultura do cacaueiro.
In: VALLE, R. R. (Ed.). Ciência, tecnologia e manejo do cacaueiro. 2ª Edição.
Brasília. pp.67-105. 2012.
CHEPOTE, R. E.; SODRÉ, G. A.; REIS, E. L.; PACHECO, R. G.; MARROCOS,

P. C. L.; VALLE, R. R. Recomendações de corretivos e fertilizantes na
cultura do cacaueiro no sul da Bahia. CEPLAC/CEPEC. Ilhéus, BA. Boletim
Técnico n° 203. pp.44. 2013.
CONAB – Companhia Nacional de Abastecimento. Perspectiva para a

agropecuária. Brasília, v. 2, n. 7, p 35-43. 2014.
CONGALTON, R. G.; MEAD, R. A. A review of discrete multivariate analysis

techniques used in assessing the accuracy of remotely sensed data from error
matrices. IEEE Transactions on Geoscience and Remote Sensing, v. 24,
p.169-174. 1986.
CORÁ, J. E.; ARAUJO, A. V.; PEREIRA, G. T.; BERALDO, J. M. G. Variabilidade

espacial de atributos do solo para adoção do sistema de agricultura de precisão
na cultura de cana-de-açúcar. R. Bras. Ci. Solo, v 28, p.1013-1021. 2004.
CORTEZ, J. W.; FERNANDES, A. L. T.; SILVA, R. P. de; CARVALHO FILHO,

A.; FURLANI, C. E. A. Métodos multivariados na avaliação dos atributos físicos
do solo na cafeicultura irrigada. Engenharia na Agricultura, v. 19, n. 2, p.132-
140. 2011.
CORWIN, D. L.; LESCH, S. M. Application of Soil Electrical Conductivity to

Precision Agriculture: Theory, Principles and Guidelines. Agronomy Journal,
vol. 95, n. 3, p.455-471. 2003.
CRESSIE, N. A. C. Statistic for spatial data. New York: John Wiley & Sons.
pp.900. 1993.
CUENCA, M. A. G.; NAZÁRIO, C. C. Importância Econômica e Evolução da

Cultura do Cacau no Brasil e na Região dos Tabuleiros Costeiros da Bahia
entre 1990 e 2002. Aracaju: Embrapa Tabuleiros Costeiros, 28p. (Documentos /
Embrapa Tabuleiros Costeiros, ISSN 1678-1953, 72). 2004.
66
DALCHIAVON, F. C.; CARVALHO, M. de P.; ANDREOTTI, M.; MONTANARI, R.

Variabilidade espacial de atributos da fertilidade de um Latossolo Vermelho
Distrófico sob sistema de plantio direto. Revista Ciência Agronômica, v. 43, n.
3, p.453-461. 2012.
DANTAS, P. A. de S. Relação entre fertilidade do solo e nutrição do

cacaueiro no sul da Bahia. 91f. Dissertação (Mestrado em Produção Vegetal)
– Universidade Estadual de Santa Cruz. 2011.
DAVATGAR, N.; NEISHABOURI, M. R.; SEPASKHAH, A. R. Delineation of site

specific nutrient management zones for a paddy cultivated área based on soil
fertility using fuzzy clustering. Geoderma, v. 173/174, p.111–118. 2012.
DEHEUVELS, O.; AVELINO, J.; SOMARRIBA, E.; MALEZIEUX, E. Vegetation

structure and productivity in cocoa-based agroforestry systems in Talamanca,
Costa Rica. Agriculture, Ecosystems and Environment, v. 149, p.181– 188.
2012.
DELALIBERA, H. C.; WEIRICH NETO, P. H.; NAGATA, N. Management zones

in agriculture acording to the soil and landscape variables. Eng. Agríc., v. 32, n.
6, p.1197-1204. 2012.
DIKER, K.; BAUSCH, W.C. Potencial of use of nitrogen reflectance index to

estimate plant parameters and yield of maize. Biosystem Engineering. v. 84, n.
4, p.437-447. 2003.
DOERGE, T. A. Management zones concepts: site-specific management

guidelines. Potash & Phosphate Institute, n. 2, p.1-4. 2000.
EMBRAPA – Empresa Brasileira de Pesquisa Agropecuária. Manual de

métodos de análise de solos, 2ª ed, Rio de Janeiro: Embrapa Solos. pp. 230.
2011.
EMBRAPA. Sistema Brasileiro de Classificação de Solos. 3ª ed. – Brasília.

pp.353. 2013.
ERNANI, P. R.; ALMEIDA, J. A. de; SANTOS, F. C. dos. Potássio. In: NOVAIS,

R. F.; ALVAREZ, V. V. H.; BARROS, N. F. de; FONTES, R. L. F.; CANTARUTTI,
R. B.; NEVES, J. C. L. (Ed.). Fertilidade do solo. Viçosa – MG. pp.551-594.
2007.
FABER, V. Clustering and the continuous K-means algorithm. Los Alamos

Science, n. 22, p.138-144. 1994.
FARIAS, P. R. S.; NOCITI, L. A. S.; BARBOSA, J. C.; PERECIN, D. Agricultura

de Precisão: mapeamento da produtividade em pomares cítricos usando
geoestatística. Revista Brasileira de Fruticultura, v. 25, n. 2, p.235-241. 2003.
FERRAZ, G. A. E. S.; SILVA, F. M. da; CARVALHO, F. de M.; COSTA, P. A. N.

da; CARVALHO, L. C. C. Viabilidade econômica do sistema de adubação
67
diferenciado comparado ao sistema de adubação convencional em lavoura

cafeeira: um estudo de caso. Engenharia Agrícola, v. 31, n. 5, p.906-915. 2011.
FERNANDES, C. de A. F. Avaliação da qualidade do solo em áreas de cacau

cabruca, mata e policultivo no sul da Bahia. 85f. Dissertação (Mestrado em
Produção Vegetal) – Universidade Estadual de Santa Cruz. 2008.
FLEMING, K. L.; HEERMANN, D. F.; WESTFALL, D. G. Evaluating soil color with

farmer input and apparent soil electrical conductivity for management zone
delineation. Agronomy Journal, v.96, p.1581–1587. 2004.
FRAISSE, C. W.; SUDDUTH, K. A.; KITCHEN, N. R. Delineation of Site–Specific

Management Zones by Unsupervised Classification of Topographic Attributes
and Soil Electrical Conductivity. Transactions of the ASAE, v. 44, n. 1, p.155-
166. 2001.
FRANCO, P. G. de A. Fuzzy clustering não supervisionado na detecção

automática de regiões de upwelling a partir de mapas de temperatura da
superfície oceânica. 177f. Dissertação (Mestrado em Engenharia Informática)
– Universidade Nova de Lisboa. 2009.
FRIDGEN, J. J.; KITCHEN, N. R.; SUDDUTH, K. A.; DRUMMOND, S. T.;

WIEBOLD, W. J.; FRAISSE, C. W. Management Zone Analyst (MZA): software
for subfield management zone delineation. Agronomy Journal, 96, p.100–108.
2004.
FU, W.; TUNNEY, H.; ZHANG, C. Spatial variation of soil nutrients in a dairy farm
and its implications for site-specific fertilizer application. Soil & Tillage Research,
v.106, p.185–193. 2010.
GANDAH, M.; STEIN, A.; BROUWER, J.; BOUMA, J. Dynamics of spatial

variability of millet growth and yields at three sites in Niger, west Africa and
implications for precision agriculture research. Agricultural Systems, v. 63,
p.123-140. 2000.
GATTWARD, J. N. Trocas gasosas e composição mineral em folhas de

mudas clonais de Theobroma cacao L. submetidas à substituição parcial
de potássio por sódio no solo. 65f. Dissertação (Mestrado em Produção
Vegetal) – Universidade Estadual de Santa Cruz. 2010.
GONÇALVES, M. G.; FARIAS, L. N.; COSTA, A. D.; MOTA, L. dos S.; OLIVEIRA,
B. L. de; CEDDIA, M. B.; VIEIRA, S. R. Contribuição da geoestatística para o
planejamento experimental de uma pastagem do sistema integrado de produção
agroecológica (Fazendinha km-47). Rev. Univ. Rural, v. 25, n. 1, p.01-05. 2005.
GOOVAERTS, P. Geostatistical tools for characterizing the spatial variability of

microbiological and physico-chemical soil properties. Biology Fertility Soils, v.
27, p.315–334. 1998.
68
GORSEVSKI, P. V.; GESSLER, P. E.; JANKOWSKI, P. Integrating a fuzzy k-

means classification and a Bayesian approach for spatial prediction of landslide
hazard. Journal of Geographical Systems, v. 5, p.223–251. 2003.
GREGO, C. R.; COELHO, R. M.; VIEIRA, S. R. Critérios morfológicos e

taxonômicos de Latossolo e Nitossolo validados por propriedades físicas
mensuráveis analisadas em parte pela geoestatística. R. Bras. Ci. Solo, v. 35,
p.337-350. 2011.
GREGO, C. R.; VIEIRA, S. R. Variabilidade espacial de propriedades físicas do

solo em uma parcela experimental. R. Bras. Ci. Solo, v. 29, p.169-177. 2005.
GUASTAFERRO, F.; CASTRIGNANO, A.; BENEDETTO, D. DE; SOLLITTO, D.;

TROCCOLI, A.; CAFARELLI, B. A comparison of different algorithms for the
delineation of management zones. Precision Agriculture, v. 11, p.600–620,
2010.
GUIMARÃES, E. D. Geoestatística básica e aplicada. Universidade Federal de

Uberlândia. Faculdade de Matemática. Núcleo de Estudos Estatísticos e
Biométricos. P.77. 2004.
HADDAD, M. N. Testing the Performance of Spatial Interpolation Techniques for

Mapping Electrical Conductivity and Acidity of Soils: A case Study of Qom Plain,
Iran. International Journal of Agronomy and Plant Production, v. 4, n. 11,
p.2827-2832. 2013.
HAIR, J. F.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W. C. Análise

multivariada de dados. 5ª ed. Porto Alegre: Bookman, p.593. 2005.
HIROBE, M.; KONDO, J.; ENKHBAATAR, A.; AMARTUVSHIN, N.; FUJITA, N.;
SAKAMOTO,K.; YOSHIKAWA, K.; KIELLAND, K. Effects of livestock grazing on
the spatial heterogeneity of net soil nitrogen mineralization in three types of
Mongolian grasslands. Journal Soils Sediments DOI 10.1007/s11368-013-
0702-6. 2013.
INDA JUNIOR, A. V.; KLAMT, E.; NASCIMENTO, P. C. do. Composição da fase

sólida mineral do solo. In: MEURER, E. J. Fundamentos de química do solo.
3ª edição. Porto Alegre: Evangraf, p.31-61. 2006.
ISAAKS, E. H.; SRIVASTAVA, R. M. An introduction to applied geoestatistics.

New York: Oxford University, pp.561. 1989.
JALALI, M. Spatial variability in potassium release among calcareous soils of

western Iran. Geoderma, v. 140, p.42–51. 2007.
JOURNEL, A.G.; HUIJBREGTS, C.J. Mining Geostatistics. London, New York,

San Francisco: Academic Press, p.600. 1978.
69
KERRY, R., OLIVER, M.A. Determining nugget: sill ratios of standardized

variograms from aerial photographs to krige sparse soil data. Precision
Agriculture, v. 9, p.33–56. 2008.
KITCHEN, N. R.; SUDDUTH, K. A.; MYERS, D. B.; DRUMMOND, S. T.; HONG,

S. Y. Delineating productivity zones on claypan soil fields using apparent soil
electrical conductivity. Computer and Electronics in Agriculture, v. 46, p.285-
308. 2005.
KÖPPEN, W.; GEIGER, R. Die Klimate der Rrde. Gotha, Verlag Justus Perthes,
Wall-map 150 cm x 200 cm. 1928.
KONOPATZKI, M. R. S.; SOUZA, E. G.; NÓBREGA, L. H. P.; URIBE-OPAZO,

M. A.; SUSZEK, G. Spatial variability of yield and other parameters associated
with pear trees. Rev. Eng. Agríc., v 32, n 2, p.381-392. 2012.
KUZYAKOVA, I. F.; ROMANENKOV, V. A.; KUZYAKOV, Y. V. Geostatistics in

Soil Agrochemical Studies. Eurasian Soil Science, v. 34, n. 9, p.1132–1139.
2001.
LANDIM, P. M. B. Análise estatística de dados geológicos. 2.ed. São Paulo.

UNESP, p.253. 2003.
LANDIM, P.M.B. Sobre Geoestatísticas e mapas. Terra e Didática, v. 1, p.19-

33. 2006.
LEITE, J. B. V.; FONSECA, E. V.; SODRÉ, G. A.; VALLE, R. R.; NASCIMENTO,

M. N.; MARROCOS, P. C. L. Comportamento produtivo de cacau no semiárido
do Brasil. Agrotrópica, v. 24, n. 2, p.85-90. 2012.
LI, Y.; SHI, Z.; LI, F. Delineation of Site-Specific Management Zones Based on
Temporal and Spatial Variability of Soil Electrical Conductivity. Soil Science
Society of China, v. 17, n. 2, p.156-164. 2007.
LIBARDI, P. L.; MELO FILHO, J. F. de. Análise exploratória e variabilidade dos

parâmetros da equação da condutividade hidráulica, em um experimento de
perfil instantâneo. Rev. Bras. Ci. Solo, v. 30, p.197-206. 2006.
LIMA, J. S. de S.; SILVA, S. de A.; SILVA, J. M. da. Variabilidade espacial de

atributos químicos de um Latossolo Vermelho-Amarelo cultivado em plantio
direto. Revista Ciência Agronômica, v.44, n.1, p.16-23. 2013.
LOBÃO, D. E. V. P. Agroecossistema cacaueiro da Bahia: cacau-cabruca e

fragmentos florestais na conservação de espécies arbóreas. 108f. Tese
(Doutorado em Agronomia) - Universidade Estadual Paulista “Júlio de Mesquita
Filho”. 2007.
LUCHIARI JUNIOR, A.; SILVA, A. DE S.; BUSCHINELLI, C. C. DE A.; HERMES,

L. C.; CARVALHO, J. R. P.; SHANAHAN, J.; SCHEPERS, J. S. Agricultura de
precisão e meio ambiente. In: MACHADO, P. L. O. de A.; BERNARDI, A. C. de
70
C.; SILVA, C. A. Agricultura de precisão para o manejo da fertilidade do solo

em sistema de plantio direto. Rio de Janeiro: Embrapa Solos, pp.19-35. 2004.
LUCHIARI JUNIOR, A.; BORGHI, E.; AVANZI, J. C.; FREITAS, A. A. de;

BORTOLON, L.; BORTOLON, E. S. O.; UMMUS, M. E.; INAMASU, R. Y. Zonas
de Manejo: teoria e prática. In:.INAMASU, R. Y.; NAIME, J. DE M.; RESENDE,
A. V. de; BASSOI, L. H.; BERNARDI, A. C. de C. Agricultura de precisão: um
novo olhar. São Carlos, SP: Embrapa Instrumentação, pp.60-64. 2011.
MACHADO, P. L. O. de A.; BERNARDI, A. C. de C.; SILVA, C. A. Agricultura

de precisão para o manejo da fertilidade do solo em sistema de plantio
direto. Rio de Janeiro: Embrapa Solos, p.202. 2004.
MACHADO, P. L. O. de A.; BERNARDI, A. C. de C.; SILVA, C. A. CARMO, C. A.

F. de S. do; MEIRELLES, M. S. P.; MANZATTO, C. V. Estudo de Caso em
Agricultura de Precisão: Manejo de Lavoura de Soja na Região de Campos
Gerais, PR. In: MACHADO, P. L. O. de A.; BERNARDI, A. C. de C.; SILVA, C. A.
Agricultura de precisão para o manejo da fertilidade do solo em sistema de
plantio direto. Rio de Janeiro: Embrapa Solos, pp.93-113. 2004a.
MACHADO, P. L. O. de A.; SILVA, C. A.; BERNARDI, A. C. de C.; CARMO, C.

A. F. de S. do; VALENCIA, L. I. O.; MEIRELLES, M. S. P.; MOLIN, J. P.;
PAULETTI, V.; GIMENEZ, L. M. Variabilidade de Atributos de Fertilidade e
Espacialização da Recomendação de Adubação e Calagem para a Soja. In:
MACHADO, P. L. O. de A.; BERNARDI, A. C. de C.; SILVA, C. A. Agricultura
de precisão para o manejo da fertilidade do solo em sistema de plantio
direto. Rio de Janeiro: Embrapa Solos, pp.115-130. 2004b.
MCBRATNEY, A. B.; WEBSTER, R.; MCLAREN, R. G.; SPIERS, R. B. Regional

variation of extractable copper and cobalt in the topsoil of south-east Scotland.
Agronomie, v. 2, n. 10, p. 969-982. 1982.
MANDARINO, E. P.; GOMES, A. R. S. Produtividade do cacaueiro (Theobroma

cacau L.) cultivados em blocos monoclonais, no sul da Bahia, Brasil. Ilhéus,
CEPLAC/CEPEC. Boletim Técnico, nº 197. p.32. 2009.
MANDARINO, E. P.; SANTOS, U. Cultivo do cacaueiro para a Bahia e Espírito

Santo. Ilhéus, CEPLAC, p.44. 1979.
MALAVOLTA, E. Manual de nutrição mineral de plantas. São Paulo: Editora

Agronômica Ceres, p.223-261. 2006.
MARROCOS, P. C. L.; PIRES, J. L.; SODRÉ, G. A.; SAMPAIO, E; MOURA, A.;

FERNANDES, M. Fertirrigação, nutrição e infecção de doenças em cacaueiros.
In: XX Congresso Brasileiro de Fruticultura, Vitória, ES, Brasil, Trabalhos. 2008.
MARTINS, J. A.; FIORIO, P. R.; DEMATTÊ, J. A. M.; MIRANDA, J. H. de; LELIS

NETO, J. A. Sensoriamento remoto na determinação de atributos de um
nitossolo sob aplicação de vinhaça. R. Bras. Ci. Solo, v. 38, p.959-971. 2014.
71
MOLIN, J. P.; CASTRO, C. N. Establishing management zones using soil

electrical conductivity and other soil properties by the fuzzy clustering technique.
Scientia Agricola, v. 65, n. 6, p.567-573. 2008.
MOLIN, J. P.; FAULIN, G. D. C. Spatial and temporal variability of soil electrical

conductivity related to soil moisture. Scientia Agricola, v. 70, n.1, p.1-5, 2013.
MORARI, F.; CASTRIGNANÒ, A.; PAGLIARIN, C. Application of multivariate

geoestatistics in delineating management zones within a gravelly vineyard using
geo-eletrical sensors. Computers and Electronics in Agriculture, v. 68, p.97-
107. 2009.
MOREIRA, F. M. S.; SIQUEIRA, J. O. Microbiologia e bioquímica do solo. 2ª

Ed. Lavras: Editora UFLA, p.203-261. 2006.
MULLER, T. G.; PIERCE, F. J.; SCHABENBERGER, O.; WARNCKE, D. D. Map

quality for site-specific fertility management. Soil Science, v. 65, p.1547–1558.
2001.
NOVAIS, R. F. de; SMYTH, T. J. Fósforo em solo e planta em condições

tropicais. Viçosa:UFV, DPS, p.59-96. 1999.
OLIVEIRA, R. B. de; LIMA, J. S. de S.; XAVIER, A. C.; PASSOS, R. R.; SILVA,

S. de A.; SILVA, A. F. da. Comparação entre métodos de amostragem do solo
para recomendação de calagem e adubação do cafeeiro conilon. Revista
Engenharia Agrícola, v. 28, n. 1, p.176-186. 2008.
OLIVEIRA, D. P. de; FERREIRA, T. O.; ROMERO, R. E.; FARIAS, P. R. S.;

COSTA, M. C. G. Microrrelevo e a distribuição de frações granulométricas em
Cambissolos de origem calcária. Revista Ciência Agronômica, v. 44, n. 4,
p.676-684. 2013.
OIVEIRA, M. L. de; LUZ, E. D. M. N. Principais doenças do cacaueiro e seu

manejo. In: VALLE, R. R. (Ed.). Ciência, tecnologia e manejo do cacaueiro. 2ª
Edição. Brasília. pp.67-105. 2012.
OLIVEIRA, A. B. de; NASCIMENTO, C. W. A. do. Formas de manganês e ferro

em solos de referência de Pernambuco. R. Bras. Ci. Solo, v. 30, p.99-110. 2006.
ORTEGA, R. A.; SANTIBÁÑEZ, O. A. Determination of management zones in

corn (Zea mays L.) based on soil fertility. Computers and Eletronics in
Agriculture, v. 58, p.49-59. 2007.
PANAGOPOULOS, T.; JESUS, J.; ANTUNES, M. D.C.; BELTRÃO, J. Analysis

of spatial interpolation for optimising management of a salinized field cultivated
with lettuce. European Journal of Agronomy, v.24, p.1-10. 2006.
PEDROSO, M. TAYLOR, J.; TISSEYRE, B.; CHARNOMORDIC, B.

GUILLAUME, S. A segmentation algorithm for the delineation of agricultural
72
management zones. Computers and Electronics in Agriculture, v. 70, p.199-

208. 2010.
PEDROTTI, A.; MELLO JUNIOR, A. V. Avanços em ciências do solo: A física

do solo na produção agrícola e qualidade ambiental. Editora UFS, pp.212.
2009.
PENG, G.; BING, W.; GUANGPO, G.; GUANGCAN, Z. Spatial Distribution of Soil
Organic Carbon and Total Nitrogen Based on GIS and Geostatistics in a Small
Watershed in a Hilly Area of Northern China. PLOS ONE, v. 8, n. 12, p.1-9. 2013.
PIRES, J. L. F.; CUNHA, G. R. da; PASINATO, A.; FRANÇA, S.; RAMBO, L.

Discutindo agricultura de precisão – aspectos gerais. Passo Fundo:
Embrapa Trigo, p.18. 2004. (Embrapa Trigo. Documentos Online; 42). Disponível
em: http://www.cnpt.embrapa.br/biblio/do/p_do42.htm. Acessado em:
26/08/2013.
PIRES, B. S.; DIAS JUNIOR, M. de S.; ROCHA, W. W.; ARAUJO JUNIOR, C.

F.; CARVALHO, R. de C. R. Modelos de capacidade de suporte de carga de um
Latossolo Vermelho‑amarelo sob diferentes usos e manejos. R. Bras. Ci. Solo,
v. 36, p.635‑642. 2012.
PORTUGAL, A. F.; COSTA, O. D. V.; COSTA, L. M. da. Propriedades físicas e

químicas do solo em áreas com sistemas produtivos e mata na região da zona
da mata mineira. R. Bras. Ci. Solo, v. 34, p.575-585. 2010.
RAIJ, B. V. Fertilidade do solo e manejo de nutrientes. Piracicaba:

International Plant Nutrition Institute, p.275-286. 2011.
REICHARDT, K; TIMM, L. C. Solo, Planta e Atmosfera: Conceitos, processos

e aplicações. Barueri: São Paulo, 2ª edição, Manole, pp.357-432. 2012.
RITA, J. C. O.; GAMA-RODRIGUES, E. F.; GAMA-RODRIGUES, A. C.;

POLIDORO, J. C.; MACHADO, R. C. R.; BALIGAR, V. C. C and N content in
density fractions of whole soil and soil size fraction under cacao agroforestry
systems and natural forest in Bahia, Brazil. Environmental Management. DOI
10.1007/s00267-011-9642-3. 2011.
SALAMI, B. T.; OKOGUN, J. A.; SANGINGA, N. Delineation of management

zones by classification of soil physico-chemical properties in the Northern
Savanna of Nigeria. African Journal of Agricultural Research, v. 6, n.6, p.
1572-1579. 2011.
SÁNCHEZ, S. E. M. Cacau e graviola: descrição e danos das principais

pragas-de-insetos. Ilhéus: Editus, pp.147. 2011.
SANCHEZ, R. B.; MARQUES JÚNIOR, J.; PEREIRA, G. T.; BARACAT NETO,

J.; SIQUEIRA, D. S.; SOUZA, Z. M. de. Mapeamento das formas do relevo para
estimativa de custos de fertilização em cana-de-açúcar. Revista Engenharia
Agrícola, v. 32, n. 2, p.280-292. 2012.
73
SANTANA, G. S.; DICK, D. P.; JACQUES, A. V. A.; CHITARRA, G. da S.

Substâncias húmicas e suas interações com Fe e Al em Latossolo subtropical
sob diferentes sistemas de manejo de pastagem. R. Bras. Ci. Solo, v. 35, p.461-
472. 2011.
SANTI, A. L.; AMADO, T. J. C.; CHERUBIN, M. R.; MARTIN, T. N.; PIRES, J. L.;
FLORA, L. P. D.; BASSO, C. J. Análise de componentes principais de atributos
químicos e físicos do solo limitantes à produtividade de grãos. Pesquisa
Agropecuária Brasileira, v. 47, n. 9, p.1346-1357. 2012.
SANTOS, A. O.; PALLONE FILHO, W. J.; UNGARO, M. R. G., LINO, A. C. L.;

RADIN, B. Prospecção de zonas potenciais para manejo diferenciado em
agricultura de precisão utilizando-se padrões de solo-planta-clima. Revista
Brasileira de Engenharia Agrícola e Ambiental, v. 7, n. 3, p.463-468. 2003.
SANTOS, K. S.; MONTENEGRO, A. A. A.; ALMEIDA, B. G. de; MONTENEGRO,

S. M. G. L.; ANDRADE, T. da S.; FONTES JÚNIOR, R. V. de P. Variabilidade
espacial de atributos físicos em solos de vale aluvial no semiárido de
Pernambuco. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 16,
n. 8, p.828–835. 2012.
SCHERPINSKI, C. Variabilidade espacial de atributos físicos e hídricos do

solo e da produtividade da cultura da soja em uma área comercial. 138f.
Dissertação (Mestrado em Engenharia Agrícola). Universidade Estadual do
Oeste do Paraná. 2005.
SEIDEL, E. J.; MOREIRA JÚNIOR, F. de J.; ANSUJ, A. P.; NOAL, M. R. C.

Comparação entre o método Ward e o método K-médias no agrupamento de
produtores de leite. Ciência e Natura, v. 30, n.1, p.7- 15. 2008.
SHIRATSUCHI, L. S.; QUEIROS, L. R.; FACCIONI, G. C. Classificação não-

supervisionada no delineamento de zonas de manejo. Boletim de Pesquisa
e Desenvolvimento: EMBRAPA Cerrados, n. 150, p.16. 2005.
SILVA, P. C. M.; CHAVES, L. H. G. Avaliação e variabilidade espacial de fósforo,

potássio e matéria orgânica em alissolos. Revista Brasileira de Engenharia
Agrícola e Ambiental, v. 5, p.431-436, 2001.
SILVA NETO, P. J. da; MATOS, P. G. G. de; MARTINS, A. C. de S.; SILVA, A.

de P. (Ed.). Sistema de produção de cacau para a Amazônia brasileira.
Belém: Ceplac, p.125. 2001.
SILVA, I. R. da; MENDONÇA, E. de S. Matéria orgânica do solo. In: NOVAIS, R.

F.; ALVAREZ V., V. H.; BARROS, N. F. de; FONTES, R. L. F.; CANTARUTTI, R.
B.; NEVES, J. C. L. (Ed.). Fertilidade do solo. Viçosa – MG. pp.275-357. 2007.
SILVA, F. M. da; SOUZA, Z. M. de; FIGUEIREDO, C. A. P. de; MARQUES

JUNIOR, J.; MACHADO, R. V. Variabilidade espacial de atributos químicos e de
produtividade na cultura do café. Revista Ciência Rural, v. 37, n. 2, p.401-407.
2007.
74
SILVA, J. V. O. Produção e partição de biomassa e nutrientes e

parametrização de um sistema para recomendação de N, P e K para
cacaueiros. 85f. Dissertação (Mestrado em Produção Vegetal) – Universidade
Estadual de Santa Cruz. 2009.
SILVA, L. da; EMER, A. A.; BORTOLINI, C. E.; ARRUDA, J. H. Estudo de um

Nitossolo Vermelho com evidencia de caráter coeso da região sudoeste do
Paraná. Synergismu scyentifica, v. 4, n. 1, p.1-3. 2009.
SILVA, S. de A.; LIMA, J. S. de S.; SOUZA, G. S. de; OLIVEIRA, R. B. de; SILVA,

A. F. da. Variabilidade espacial do fósforo e das frações granulométricas de um
Latossolo Vermelho Amarelo. Revista Ciência Agronômica, v. 41, n. 1, p.1-8.
2010a.
SILVA, S.A.; LIMA, J.S.S.; SOUZA, G.S. Estudo da fertilidade de um Latossolo

Vermelho-Amarelo húmico sob cultivo de café arábica por meio de
geoestatística. Revista Ceres, v. 57, n.4, p.560-567. 2010b.
SILVA, S. de A.; LIMA, J. S. de S.; SOUZA, G. S. de; OLIVEIRA, R. B. de;

XAVIER, A. C. Lógica fuzzy na avaliação da fertilidade do solo e produtividade
do café conilon. Revista Ciência Agronômica, v. 41, n. 1, p.9-17. 2010c.
SILVA, S. A.; LIMA, J. S. S.; QUEIROZ, D. M.; Spatial variability in nutritional

status of arabic coffee based on dris index. Revista Ceres, v. 58, n. 2, p.256-
261. 2011.
SILVA JÚNIOR, J. F. da; MARQUES JÚNIOR, J.; CAMARGO, L. A.; TEIXEIRA,

D. de B.; PANOSSO, A. R.; PEREIRA, G. T. Simulação goestatística na
caracterização espacial de óxidos de ferro em diferentes pedoformas. R. Bras.
Ci. Solo, v. 36, p.1690-1703. 2012.
SILVA, S. A.; LIMA, J. S. S. Multivariate analysis and Geostatistics of the fertility

of a humic rhodic hapludox under coffee cultivation. R. Bras. Ci. Solo, v. 36,
p.467-474. 2012.
SILVA, S. A., LIMA, J. S. S., BOTTEGA, E. L. Yield mapping of arabic coffee and
their relationship with plant nutritional status. Journal of Soil Science and Plant
Nutrition, v. 13, n. 3, p.556-564. 2013.
SIQUEIRA, P. L. de O. F.; SILVA, P. S. L. e; SILVA, K. E. F.; OLIVEIRA, V. R.

de; DANTAS, I. M.; OLIVEIRA, F. H. T. de; Soil fertility beneath the crown of tree
species submitted to planting densities. R. Bras. Eng. Agríc. Ambiental, v. 18,
n. 9, p.914–919. 2014.
SOBJAK, R. Seleção de variáveis para definição de unidade de manejo

através da lógica Fuzzy C-means. 73f. Dissertação (Metrado em Engenharia
Agrícola) – Universidade Estadual do Oeste do Paraná. 2012.
75
SODRÉ, G. A.; CORÁ, J. E.; SOUZA JÚNIOR, J. O. Caracterização física de

substratos à base de serragem e recipientes para crescimento de mudas de
cacaueiro. Revista Brasileira de Fruticultura, v. 29, n. 2, p.339-344. 2007.
SOUSA, D. M. G.; MIRANDA, L. N.; OLIVEIRA, S. A acidez do solo e sua

correção. In: NOVAIS, R. F. ALVAREZ, V. H.; BARROS, N. F.; FONTES, R. L.
F.; CANTARUTTI, R. B.; NEVES, J. C. L. (Org.). Fertilidade do solo.
Viçosa:SBCS, pp.205-274. 2007.
SOUZA, Z. M.; MARQUES JÚNIOR, J.; PEREIRA, G. T.; MOREIRA, L. F.

Variabilidade espacial do pH, Ca, Mg e V% do solo em diferentes formas do
relevo sob cultivo de cana-de-açúcar. Ciência Rural, v. 34, p.1763-1771. 2004.
SOUZA, E. R. de; MONTENEGRO, A. A. de A.; MONTENEGRO, S. M. G. L.;

SANTOS, T. E. M. dos; ANDRADE, T. da S.; PEDROSA, E. R. Variabilidade
espacial das frações granulométricas e da salinidade em um Neossolo Flúvico
do semi-árido. Ciência Rural, v. 38, n. 2, p.698-704, 2008.
SOUZA JÚNIOR, J. O.; CARMELLO, Q. A. C.; SODRÉ, G. A. Substrato e

adubação fosfatada para a produção de mudas clonais de cacau. Revista
Brasileira de Ciência do Solo, v. 35, p.151-159. 2011.
SOUZA JÚNIOR, J. O.; MENEZES, A. A.; SODRÉ, G. A.; GATTWARD, J. N.;

DANTAS, P. A. de S.; CRUZ NETO, R. de O. Diagnose foliar na cultura do cacau.
In: PRADO, R. de M. Nutrição de plantas: diagnose foliar em frutíferas.
Jaboticabal: FCAV/CAPES/FAPESP/CNPq. pp.443-471. 2012.
SUFRAMA – SUPERINTENDENCIA DA ZONA FRANCA DE MANAUS.

Potencialidades regionais e estudo de viabilidade econômica do cacau –
Sumário executivo. Manaus, SUFRAMA, v.3, p.18. 2003.
TISSEYRE, B.; MCBRATNEY, A. B. A technical opportunity index based on

mathematical morphology for site-specific management: an application to
viticulture. Precision Agriculture, v. 9, n. 1-2, p.101–113. 2008.
TOMÉ JÚNIOR, J. B. Uma nova abordagem nas recomendações de

adubação. 104f. Tese (Doutorado em Ciência do Solo) – Universidade Federal
de Viçosa. 2004.
TSCHIEDEL, M.; FERREIRA, M. F. Introdução à agricultura de precisão:

conceitos e vantagens. Revista Ciência Rural, Santa Maria, v. 32, n. 1, p.159-
163. 2002.
VALENCIA, L. I. O.; MEIRELLES, M. S. P.; BETTINI, C. Geoestatística aplicada

à Agricultura de Precisão. In: MACHADO, P. L. O. de A.; BERNARDI, A. C. de
C.; SILVA, C. A. Agricultura de precisão para o manejo da fertilidade do solo
em sistema de plantio direto. Rio de Janeiro: Embrapa Solos, p.37-56. 2004.
76
VALENTE, D. S. M. Desenvolvimento de um sistema de apoio à decisão para

definir zonas de manejo em cafeicultura de precisão. 104f. Tese (Doutorado
em Engenharia Agrícola). Universidade Federal de Viçosa. 2010.
VALENTE, S. D. M.; QUEIROZ, D. M. de; PINTO, F. de A. de C.; SANTOS, N.

T.; SANTOS, F. L. Definition of management zones in coffee production fields
based on apparent soil electrical conductivity. Sci. Agric. v. 69, n. 3, p.173-179.
2012.
VIEIRA, S. R.; CASTRO, O. M. de; TOPP, G. C. Spatial variability some of soil

physical properties in three soils of São Paulo, Brazil. Pesquisa Agropecuária
Brasileira, v. 27, n. 2, p.333-341. 1992.
VIEIRA, S. R. Variabilidade espacial de argila, silte e atributos químicos em uma

parcela experimental de um Latossolo roxo de Campinas (SP). Bragantia, v. 56,
n. 1, p.181-190. 1997.
VIEIRA, S.R. Geoestatística em estudos de variabilidade espacial do solo. In:

NOVAIS, R.F.; ALVAREZ V., V.H.; SCHAEFER, G.R. (Eds.). Tópicos em
ciência do solo. Viçosa, MG: Sociedade Brasileira de Ciência do Solo, v. 1, p.1-
54. 2000.
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, pp.319-344. 1980.
WEBSTER, R., OLIVER, M. A. Geostatistics for environmental scientists.

Second Edition. pp.333. 2007.
WERNER, V. Utilização de recursos de agricultura de precisão na geração

de mapas de atributos, mapas de produtividade e aplicação de insumos à
taxas variáveis. 126f. Dissertação (Mestrado em Engenharia Agrícola) –
Universidade Federal de Santa Maria. 2004.
WHELAN, B. M.; MCBRATNEY, A. B. The ‘‘Null Hypothesis’’ of Precision

Agriculture Management. Precision Agricultural, v. 2, p.265-279. 2001.
XIN-ZHONG, W.; GUO-SHUNA, L.; HONG-SHAO, H.; ZHEN-HAIB, W.; QING-

HUAB, L.; XU-FENGC, L.; WEI-HONGC, H.; YAN-TAOC, L. Determination of
management zones for a tobacco field based on soil fertility. Computers and
Electronics in Agriculture, v. 5, p.168-175. 2009.
YAMAMOTO, J. K.; CONDE, R. P. Classificação de recursos minerais usando a

variância de interpolação. Revista Brasileira de Geociências, v. 29, n. 3, p.349-
356. 1999.
YAMAMOTO. J. K.; LANDIM, P. M. B Geoestatística: conceitos e aplicações.

São Paulo: Oficina de Textos, pp.216. 2013.
77
YAN, L.; ZHOU, S.; CI-FANG, W.; HONG-YI, L.; FANG, L. Determinationof
potential management zones from soil electrical conductivity, yield and crop data.
Journal of Zhejiang University Science B, v. 9, n. 1, p.68-76. 2008.
ZANÃO JUNIOR, L. A.; LANA, R. M. Q.; CARVALHO-ZANÃO, M. P.;

GUIMARÃES, E. C. Variabilidade espacial de atributos químicos em diferentes
profundidades em um Latossolo em sistema de plantio direto. Revista Ceres, v.
57, n. 3, p.429-438. 2010.
ZHANG, N.; WANG, M.; WANG, N. Precision agriculture a worldwide overview.

Computers and Electronics in Agriculture, v. 36, p.113-132. 2002.
ZIMBACK, C. R. L. Geoestatística. Grupo de Estudos e Pesquisas Agrárias

Georreferenciadas. Universidade Estadual Paulista. Faculdade de Ciências
Agronômicas, pp.25. 2003.
ZUCOLOTO, M.; LIMA, J. S. de S.; COELHO, R. I.; QUARTEZANI, W. Z.

Variabilidade espacial das frações granulométricas e da produção de bananeira
‘Prata Anã’. IDESIA, v. 29, n. 2, p.47-52. 2011.
78
APÊNDICES
79
Apêndice A
Variogramas dos atributos físicos e químicos do solo e da produtividade do

cacaueiro
80
81
82
83
Apêndice B
Validação cruzada dos atributos físicos e químicos do solo e da produtividade

do cacaueiro
84
85
86
C.R. coeficiente de regressão.

87
Apêndice C
Intervalo das classes dos mapas dos atributos físicos e químicos do solo e da
produtividade do cacaueiro
88
Estatística do intervalo dos mapas dos atributos de solo.
pH
Classes Centroide
M s
1 6,01 0,09
3 2 6,36 0,15
3 5,64 0,16
H+Al
Classes Centroide
M s
1 4,53 0,33
3 2 5,91 0,47
3 3,18 0,45
P
Classes Centroide
M s
1 25,06 3,89
3 2 42,23 6,30
3 12,34 3,09
K
Classes Centroide M s
1 0,10 0
3 2 0,07 0
3 0,05 0
Ca
Classes Centroide
M s
1 10,69 0,65
3 2 13,21 1,17
3 8,22 0,71
Mg
Classes Centroide
M s
1 6,00 0,28
2 4,82 0,48
4
3 6,82 0,24
4 8,06 0,50
Ca/Mg
Classes Centroide
M s
1 1,68 0,12
3 2 2,10 0,18
3 1,26 0,14
89
Fe
Classes Centroide
M s
1 226,53 25,33
2 148,63 21,77
4
3 352,50 32,13
4 73,13 27,12
Zn
Classes Centroide
M s
1 9,00 0
3 2 10,94 0,99
3 7,77 0,53
Cu
Classes Centroide
M s
1 7,43 0,51
3 2 4,64 1,19
3 10,22 1,49
SB
Classes Centroide
M s
1 17,35 0,77
3 2 20,20 1,40
3 13,87 1,09
V (%)
Classes Centroide
M s
1 87,24 2,21
3 2 80,64 1,76
3 73,09 3,08
CTC efetiva
Classes Centroide
M s
1 17,35 0,77
3 2 20,20 1,40
3 13,88 1,07
CTC pH 7,0
Classes Centroide
M s
1 22,24 0,87
3 2 26,03 1,21
3 18,98 0,91
COT
Classes Centroide
M s
1 15,69 1,33
2 19,88 1,20
4
3 24,84 1,34
4 10,74 1,90
Na
Classes Centroide
M s
1 0,09 0
3 2 0,10 0
3 0,07 0
90
AG
Classes Centroide
M s
1 159,44 17,22
2 211,36 13,79
4
3 86,20 20,47
4 276,49 26,61
AF
Classes Centroide
M s
1 220,20 13,83
2 272,83 12,37
4
3 163,58 13,43
4 318,55 15,55
AT
Classes Centroide
M s
1 428,67 28,16
3 2 530,41 32,59
3 273,54 44,50
ARG
Classes Centroide
M s
1 158,34 8,30
2 130,03 7,56
4
3 196,28 15,16
4 100,39 9,75
SIL
Classes Centroide
M s
1 410,81 11,38
2 370,90 10,81
4
3 325,63 16,56
4 448,63 13,85
Cacau Temporão
Classes Centroide
M s
1 3720,48 843,11
3 2 7111,33 1185,78
3 620,89 691,97
Cacau Safra
Classes Centroide
M s
1 1538,04 229,87
3 2 730,99 181,97
3 143,21 143,11
AG – areia grossa; AF – areia fina; AT – areia total; ARG – argila; SIL – silte; M – média; s –
desvio padrão; M – média; s – desvio padrão.
91
Apêndice D
Média e desvio padrão dos centroides das zonas de manejo

92
Estatística das zonas de manejo com uma variável.
AT (g kg-1)
ZM_AT Classes
M s
1 309,34 50,76
2
2 486,10 39,25
1 290,58 38,49
3 2 438,89 30,64
3 514,46 22,36
1 271,35 25,08
2 370,90 28,29
4
3 460,59 19,50
4 521,38 19,24
1 263,65 19,76
2 345,20 26,29
5
3 427,42 19,11
4 476,80 14,11
ARG (g kg-1)
ZM_ARG Classes
M s
1 147,48 36,49
2
2 375,90 60,28
1 137,32 23,07
3 2 264,79 44,27
3 413,72 31,72
1 126,87 15,32
2 179,98 23,97
4
3 295,16 34,81
4 418,44 27,23
1 121,37 12,92
2 159,54 15,05
5
3 240,87 26,75
4 334,23 26,55
ZM – zona de manejo; AT – areia total; ARG - argila; M – média; s – desvio padrão
93
SIL (g kg-1)
ZM_SIL Classes
M s
1 57,37 73,21
2
2 359,38 47,63
1 7,76 20,91
3 2 189,58 48,50
3 369,12 33,97
1 7,76 20,91
2 173,73 37,66
4
3 319,92 27,49
4 387,35 19,47
1 7,76 20,91
2 171,46 35,97
5
3 301,27 24,25
4 361,38 13,65
5 400,23 14,45
T (kg ha-1)
ZM_T Classes
M s
1 1745,85 333,98
2
2 2950,20 360,40
1 1605,60 249,17
3 2 2503,87 234,83
3 3235,62 227,17
1 1426,03 153,66
2 1989,28 197,83
4
3 2669,92 181,15
4 3301,18 193,72
1 1370,21 112,53
2 1831,39 135,02
5
3 2359,37 138,26
4 2807,01 140,91
5 3336,11 180,18
ZM – zona de manejo; SIL – silte; T - temporão; M – média; s – desvio padrão.
94
S (kg ha-1)
ZM_S Classes
M s
1 1026,82 325,70
2
2 2651,58 837,72
1 941,85 242,92
3 2 2036,93 371,35
3 3863,23 781,06
1 839,26 173,97
2 1445,21 231,48
4
3 2355,27 319,36
4 4041,03 760,80
1 768,00 150,12
2 1162,24 149,82
5
3 1842,52 210,28
4 2618,25 305,94
5 4178,25 747,93
ZM – zona de manejo; S - safra; M – média; s – desvio padrão.
95
Estatística das zonas de manejo com duas variáveis.
AT (g kg-1) ARG (g kg-1)

ZM_AT_ARG Classes
M s M s
1 303,40 47,39 374,23 61,39
2
2 483,84 41,44 146,94 35,71
1 285,13 35,67 399,44 43,07
3 2 414,42 32,39 218,55 45,53
3 500,96 29,49 131,01 17,97
1 271,50 26,73 418,44 27,23
2 367,32 31,05 284,28 41,51
4
3 457,66 18,94 161,92 23,67
4 518,88 20,40 121,63 14,05
1 264,94 20,97 424,46 23,07
2 341,32 23,65 324,43 33,62
5 3 410,40 19,14 227,23 26,44
4 466,53 17,14 151,48 16,29
5 522,96 18,51 120,00 14,05
ZM – zona de manejo; AT – areia total; ARG - argila; M – média; s – desvio padrão.
AT (g kg-1) SIL
ZM_AT_SIL Classes (g kg-1)
M s M s
1 297,97 47,35 48,14 71,59
2
2 479,58 46,96 352,30 61,05
1 294,70 44,50 43,29 67,49
3 2 437,59 33,93 369,31 51,32
3 513,51 23,28 335,30 67,26
1 275,28 31,43 6,24 20,05
2 369,41 49,17 185,11 78,40
4
3 445,96 27,82 379,94 36,26
4 515,76 22,34 337,36 61,74
1 273,16 28,53 6,22 20,30
2 366,68 48,23 146,97 55,77
5 3 416,69 33,31 341,75 5,17
4 468,73 16,10 391,76 21,01
5 521,57 19,73 332,84 63,29
ZM – zona de manejo; AT – areia total; SIL - silte; M – média; s – desvio padrão.
96
ARG SIL
ZM_ARG_SIL Classes (g kg-1) (g kg-1)
M s M S
1 151,20 42,28 352,30 61,05
2
2 385,04 55,19 48,14 71,59
1 139,38 27,36 372,53 33,97
3 2 218,20 64,02 250,00 78,21
3 400,02 43,87 26,98 53,30
1 138,60 28,64 382,15 23,59
2 174,37 48,17 282,46 64,87
4
3 306,31 28,04 175,88 62,46
4 413,11 33,08 7,18 20,77
1 127,57 16,86 375,87 28,03
2 144,68 22,24 232,39 60,67
5 3 202,05 38,37 364,24 35,79
4 307,84 28,89 160,93 42,95
5 413,11 33,08 7,18 20,77
ZM – zona de manejo; ARG – argila; SIL - silte; M – média; s – desvio padrão.
S AT
ZM_S_AT Classes (kg ha-1) (g kg-1)
M s M S
1 1054,37 475,65 319,48 57,21
2
2 1511,27 763,80 489,08 37,01
1 991,47 357,60 307,10 51,28
3 2 1028,60 291,80 493,16 42,09
3 2370,79 577,92 463,45 43,85
1 1004,62 353,17 422,77 32,25
2 1032,26 354,76 284,97 35,68
4
3 1034,17 281,41 516,28 24,11
4 2401,56 568,72 464,68 43,99
1 871,52 260,83 414,82 34,77
2 993,87 243,12 516,55 24,75
5 3 1042,10 355,69 282,43 33,97
4 1915,03 278,09 462,89 42,66
5 2976,72 523,06 470,03 43,00
ZM – zona de manejo; S – safra; AT – areia total; M – média; s – desvio padrão.
97
S ARG
ZM_S_ARG Classes (kg ha-1) (g kg-1)
M s M s
1 1074,35 494,93 365,36 67,81
2
2 1486,57 759,47 144,58 32,66
1 1005,14 370,17 381,92 58,84
3 2 1028,90 295,14 146,17 40,43
3 2391,98 570,66 163,87 52,81
1 929,91 212,15 146,09 41,45
2 979,24 363,90 389,29 53,52
4
3 1787,42 275,47 162,06 53,57
4 2826,06 537,43 168,32 54,47
1 938,23 341,67 243,37 36,94
2 969,79 223,61 130,25 21,57
5 3 1001,05 359,68 402,98 41,11
4 1890,44 2.741,22 154,59 44,63
5 2936,59 525,89 169,50 58,33
ZM – zona de manejo; S – safra; ARG – argila; M – média; s – desvio padrão.
S SIL
ZM_S_SIL Classes (kg ha-1) (g kg-1)
M s M s
1 1033,61 489,26 73,74 86,30
2
2 1505,70 753,05 363,70 42,37
1 990,04 431,77 49,38 70,07
3 2 1047,53 289,61 354,44 49,91
3 2387,28 573,24 355,36 66,94
1 935,07 209,17 349,34 52,67
2 971,53 368,21 47,68 68,53
4
3 1803,13 292,07 367,99 57,06
4 2879,07 531,91 330,23 88,33
1 852,69 334,75 205,49 55,78
2 993,02 220,85 368,19 30,76
5 3 1002,33 352,79 9,91 25,47
4 1885,64 274,66 368,13 57,03
5 2936,59 525,89 327,41 91,71
ZM – zona de manejo; S – safra; SIL - silte; M – média; s – desvio padrão.
98
T AT
ZM_T_AT Classes (kg ha-1) (g kg-1)
M s M s
1 1769,67 393,89 491,12 47,63
2
2 2907,24 412,42 398,20 92,43
1 1698,04 330,83 493,57 43,82
3 2 2640,38 412,68 305,96 49,05
3 3030,82 364,71 474,38 34,05
1 1563,68 249,11 503,59 38,54
2 2295,25 310,73 442,15 49,17
4
3 2725,27 381,10 289,97 38,75
4 3173,17 284,45 481,55 32,30
1 1535,45 215,70 499,98 40,68
2 2265,00 321,98 358,91 33,64
5 3 2388,75 255,04 485,71 35,21
4 2893,80 318,15 268,93 25,54
5 3208,99 260,91 474,59 32,50
ZM – zona de manejo; T – temporão; AT – areia total; M – média; s – desvio padrão.
T ARG
ZM_T_ARG Classes (kg ha-1) (g kg-1)
M s M s
1 1780,80 394,49 146,71 39,07
2
2 2920,34 406,94 249,50 122,50
1 1698,36 321,93 148,61 42,02
3 2 2693,53 381,41 380,67 57,34
3 3012,99 373,66 149,97 35,79
1 1552,57 221,08 140,90 34,67
2 2372,14 281,02 177,52 53,04
4
3 2717,11 386,61 389,49 50,56
4 3217,28 260,83 140,76 28,94
1 1471,20 183,64 134,17 31,65
2 2000,01 187,41 178,43 55,85
5 3 2667,70 201,74 166,72 49,29
4 2738,62 375,03 392,35 49,00
5 3322,31 202,07 139,20 23,56
ZM – zona de manejo; T – temporão; ARG – argila; M – média; s – desvio padrão.
99
T SIL
ZM_T_SIL Classes (kg ha-1) (g kg-1)
M s M S
1 2956,00 364,60 244,45 169,11
2
2 1766,72 358,87 332,66 77,52
1 2699,70 404,73 50,22 70,90
3 2 1709,71 332,22 340,91 65,70
3 3005,78 376,56 370,40 39,48
1 2743,00 389,24 39,69 63,31
2 2354,55 241,05 322,67 69,24
4
3 1559,95 224,43 347,99 66,96
4 3194,78 273,23 378,77 31,39
1 2845,65 321,16 16,01 41,82
2 2018,67 420,13 180,69 49,60
5 3 2506,27 249,01 352,60 37,67
4 1580,39 241,30 366,61 37,91
5 3279,52 228,77 382,77 28,71
ZM – zona de manejo; T – temporão; SIL - silte; M – média; s – desvio padrão.
T S
ZM_T_S Classes (kg ha-1) ( kg ha-1)
M s M s
1 1839,68 429,95 1068,63 471,21
2
2 2951,00 466,33 1689,57 794,65
1 1686,71 320,05 1027,56 375,95
3 2 2620,59 541,36 2452,38 574,41
3 2950,13 378,95 1080,93 333,39
1 1625,88 272,69 1002,02 339,84
2 2404,23 530,16 2572,20 577,10
4
3 2707,89 325,21 937,70 252,96
4 3287,47 273,72 1618,44 344,30
1 1613,72 269,60 928,44 248,54
2 1817,62 331,74 2119,34 415,44
5 3 2626,50 272,40 942,25 266,41
4 2800,06 376,54 2589,85 600,88
5 3314,50 217,91 1367,46 349,63
ZM – zona de manejo; T – temporão; S - safra; M – média; s – desvio padrão.
100
Estatística das zonas de manejo com três variáveis.
AT (g kg-1) ARG (g kg-1) SIL (g kg-1)

ZM_AT_ARG_SIL Classes
M s M s M s
1 297,11 45,73 385,53 54,13 49,46 74,51
2 479,82 46,47 151,06 41,90 351,93 61,92
2
1 289,70 39,81 394,38 47,07 37,25 63,81
3 2 423,53 33,06 205,54 43,65 340,27 70,23
3 504,27 28,07 128,69 16,53 352,16 64,00
1 275,28 31,43 414,92 31,18 6,24 20,05
2 359,35 31,35 296,30 32,78 207,60 90,42
4 448,75 23,87 170,59 30,86 376,70 42,44
3
4 515,47 22,12 123,94 15,50 336,76 67,17
1 273,16 28,53 416,92 28,64 6,22 20,30
2 355,45 32,14 310,24 28,45 148,19 57,62
5 3 411,37 32,87 221,25 34,54 342,44 49,89
4 466,27 16,91 148,86 15,86 388,40 25,78
5 520,16 20,57 122,55 15,98 328,88 69,57
ZM – zona de manejo; AT – areia total; ARG – argila; SIL - silte; M – média; s – desvio padrão.
T S AT
ZM_T_S_AT Classes (kg ha-1) (kg ha-1) (g kg-1)
M s M s M s
1 1759,92 392,38 1163,50 548,60 486,00 54,69
2 2900,41 411,90 1550,47 796,22 403,47 93,35
2
1 90,47 359,51 1130,44 483,86 495,59 44,96
3 2 2632,21 416,85 974,50 364,20 308,91 54,67
3 2948,25 447,20 1887,31 799,38 468,54 42,98
1 1647,53 320,03 1005,18 320,59 498,17 47,75
2 427,21 539,35 528,08 581,68 460,32 47,27
4 2627,27 427,72 989,52 368,64 302,08 48,67
3
4 119,25 339,31 1296,85 427,49 475,12 34,62
1 1611,00 278,07 990,63 306,41 497,70 48,85
2 2247,35 476,33 2561,23 616,88 456,26 47,98
5 3 2651,34 433,34 1014,04 373,24 294,43 42,45
4 2781,68 358,75 951,49 242,93 467,36 45,31
5 3280,13 267,22 1811,59 434,97 478,67 32,58
ZM – zona de manejo; T – temporão; S – safra; AT – areia total; M – média; s – desvio padrão.
101
T S ARG
ZM_T_S_ARG Classes (kg ha-1) (kg ha-1) (g kg-1)
M s M s M s
1 1766,70 388,67 1110,44 492,42 159,87 59,81
2
2 2909,68 409,70 1598,91 803,51 236,73 123,27
1 1710,80 365,12 1127,60 478,08 147,55 42,45
3 2 2688,47 385,22 1019,21 449,08 377,53 62,98
3 2952,15 448,56 1871,42 806,35 153,00 41,56
1 1658,89 318,77 1043,41 373,81 149,32 45,92
2 2507,99 516,12 2538,93 581,21 170,31 58,02
4
3 2688,69 390,71 985,45 371,96 383,23 58,60
4 3117,35 346,18 1270,52 399,85 143,36 31,19
1 1626,95 305,10 919,28 229,23 145,56 44,52
2 1871,15 338,72 1965,51 458,07 155,85 36,64
5 3 2685,14 393,09 993,10 370,37 385,42 56,58
4 2806,59 395,92 2600,83 595,98 175,10 64,52
5 3094,65 356,68 1193,69 360,50 146,83 35,69
ZM – zona de manejo; T – temporão; S – safra; ARG – argila; M – média; s – desvio padrão.
T S SIL
ZM_T_S_SIL Classes (kg ha-1) (kg ha-1) (g kg-1)
M s M s M s
1 1886,31 464,68 1048,05 453,51 281,09 134,92
2
2 2957,94 420,91 1745,00 786,65 291,51 147,42
1 1722,42 373,35 1122,84 479,55 345,44 63,30
3 2 2696,15 415,79 1007,53 429,87 45,91 70,42
3 2937,31 447,83 1858,08 805,14 357,95 59,95
1 1680,46 333,91 1049,08 377,04 338,48 66,39
2 2522,06 523,06 2542,61 578,86 346,35 73,98
4
3 2707,17 410,42 1010,41 432,98 43,82 69,11
4 3106,88 351,72 1261,75 387,24 372,97 37,55
1 1524,24 212,05 1040,56 379,14 341,43 69,67
2 2303,40 272,09 1176,58 377,19 321,40 69,49
5 3 2459,07 497,28 2606,07 578,65 342,69 77,24
4 2740,56 406,30 1015,60 433,60 31,00 56,51
5 3234,99 265,55 1379,81 436,78 378,51 34,39
ZM – zona de manejo; T – temporão; S – safra; SIL - silte; M – média; s – desvio padrão.
102
Estatística da zona de manejo com quatro variáveis.
ZM_T_S_AT_ARG_SIL T S AT ARG SIL

Classes (kg ha-1) (kg ha-1) (g kg-1) (g kg-1) (g kg-1)
M s M s M s M s M s
1 2301,44 739,64 1464,58 753,90 481,02 45.59 149,40 39,64 353,65 60,00
2
2 2712,22 381,04 1090,59 572,13 301,62 49,29 380,13 58,45 57,84 83,54
1 1694,93 340,14 1122,21 483,42 486,43 54,66 150,59 47,25 340,23 69,69
3 2 2718,33 379,89 1084,42 513,59 297,86 47,10 385,03 55,21 48,47 72,18
3 2932,77 450,33 1809,56 817,23 472,60 36,26 151,83 36,72 364,52 48,63
1 1667,71 326,53 1000,09 324,29 491,31 55,09 148,65 47,25 332,54 71,86
2 2372,13 526,27 2511,59 619,05 466,28 36,70 162,57 41,65 354,94 59,91
4
3 2713,16 385,27 1075,89 498,46 294,63 44,37 388,76 52,02 44,30 69,58
4 3102,22 359,42 1295,17 438,50 471,69 39,57 149,66 39,75 370,88 45,78
1 1647,97 343,96 1034,79 353,42 517,12 27,62 126,19 19,09 322,59 75,66
2 2022,09 454,12 958,38 342,76 400,62 30,52 232,29 41,27 334,80 79,84
5 3 2385,62 515,15 2565,43 608,02 469,23 31,04 159,32 36,20 356,88 60,17
4 2740,99 380,28 1094,64 496,56 288,40 38,96 395,86 46,19 35,62 63,22
5 3173,50 307,85 1356,95 441,10 480,93 30,46 139,82 27,56 375,14 39,38
ZM – zona de manejo; T – temporão; S – safra; AT – areia total; ARG – argila; SIL – silte; M – média; s – desvio padrão.

Agricultura de precisão no cultivo do cacaueiro

Enviado por

Dados do documento

Descrição original:

Título original

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

Agricultura de precisão no cultivo do cacaueiro

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL DE SANTA CRUZ

PROGRAMA DE PÓS-GRADUAÇÃO EM PRODUÇÃO VEGETAL

PERLA SILVA MATOS CARVALHO

AGRICULTURA DE PRECISÃO NO CULTIVO DO CACAUEIRO:

AGRICULTURA DE PRECISÃO NO CULTIVO DO CACAUEIRO:

Dissertação apresentada à Universidade

Área de concentração: Solos e Nutrição de

Orientador: Prof. Dr. Samuel de Assis Silva.

meu marido Oiama pelo apoio e carinho a mim concedidos nessa

importante etapa de crescimento profissional e pessoal.

Á Universidade Estadual de Santa Cruz UESC pela oportunidade de aprofundar

À Comissão Executiva do Plano da Lavoura Cacaueira CEPLAC pela

A minha família e amigos que mesmo estando distante sempre me apoiaram, em

Aos colegas da graduação e de pós-graduação Rogério, Guilherme, Ícaro, Lais,

Á CAPES pela bolsa concedida.

O conhecimento da variabilidade de atributos químicos e físicos do solo por meio

Palavras-chave: Geoestatística, Mapeamento, Fertilidade do Solo.

Key-words: Geostatistical, Mapping, Soil Fertility.

O cacaueiro, planta originária do continente Sul Americano, é cultivado

Uma alternativa para incremento da produtividade está na geração de

2.1 A cultura do Cacau

O cacaueiro é uma árvore milenar originalmente encontrada naturalmente

A difusão de novas tecnologias de manejo integrado e o uso de

De modo geral, o cacaueiro vem sendo cultivado em solos com elevada

2.2 Agricultura de Precisão

A Agricultura de Precisão permite que a aplicação de insumos seja

áreas (BRASIL, 2013). Assim, as informações obtidas, no solo e na cultura, são

A Geoestatística surgiu em 1951 após o matemático Daniel G. Krige

para a variável regionalizada (ISAAKS; SRIVASTAVA, 1989; YAMAMOTO;

entre pontos amostrados no espaço em função de h, conforme o estimador de

Em que: N(h) é o número de pares de valores medidos Z(xi), Z(xi+h), separados

Figura 1: Parâmetros do variograma

O Patamar (𝐶𝑜 + 𝐶1 ) é a semivariância em que o variograma atinge a

O Efeito Pepita (𝐶𝑜 ) é o ponto onde inicia a curva do variograma, este

A krigagem é um método de interpolação baseado na teoria das variáveis

Em que: N é o número de pontos medidos da variável Xi envolvidos na

∑ 𝜆𝑖 𝛾(𝑥𝑖 , 𝑥𝑖 + h) + μ = γ(i, i0 ) i = 1 a N; h = 0,1,2, … , k (4)

Os métodos de interpolação foram utilizados para previsão espacial da

geoestatísticos é possível, por exemplo, criar mapas de propriedades do solo,

2.4 Zonas de manejo

Diferentes locais da mesma área que apresentam características

GUASTAFERRO et al. (2010), nenhuma metodologia é aceita de forma

O presente trabalho foi conduzido durante 17 meses entre os anos de

3.1 Caracterização da área de estudo

A área experimental foi implantada no ano de 2003 com 31 progênies de

3.2 Malha amostral

No menor comprimento da área marcou-se 08 plantas espaçadas 9,5 m

foram as “coordenadas locais” e cada ponto amostral composto por um

Figura 2: Distribuição de pontos e esquema de amostragem realizado na área

3.3 Coleta e preparo do solo

A amostragem para determinação das características físicas e químicas

As amostras de solo foram encaminhadas à sala de preparo de amostras

3.4 Análise física do solo

As amostras de solo após o beneficiamento foram encaminhadas ao

3.5 Análise química do solo

A análise dos atributos químicos do solo foi realizada no Laboratório de

3.6 Determinação da produtividade do cacaueiro

A produtividade do cacaueiro foi determinada nos mesmos 120 pontos

Posteriormente, os dados dos frutos sadios foram convertidos em amêndoas

3.7 Análises estatísticas e geoestatísticas

3.7.1 Estatística Descritiva

Os dados obtidos com as análises dos atributos de solo e planta foram