Baixe o app para aproveitar ainda mais
Prévia do material em texto
VARIABILIDADE ESPACIAL E TEMPORAL DE ATRIBUTOS DO SSPA INTRODUÇÃO Observações feitas em estudos agronômicos do sistema solo-planta-atmosfera, SSPA,pre- cisam incluir considerações sobre a variabilidade espacial e temporal de atributos de solos e de plan- tas em condições de campo, além dos parâmetros atmosféricos. O solo e as distribuições das dife- rentes partes das plantas, dentro e fora do solo, são fundamentalmente heterogêneos. As varia- ções no solo são decorrentes das taxas variáveis nas quais atuaram os processos de sua formação e das diversas atuações do homem durante seu cultivo. A distribuição radicular e da parte aérea das plantas depende das propriedades do solo, das operações de plantio, de pragas e de doenças. As- sim, medidas de parâmetros do solo e da planta apresentam, muitas vezes, irregularidades que podem ou não estar distribuídas ao acaso em re- lação à sua distribuição espacial no campo. Por- tanto, é importante estabelecer critérios para definir espaçamento entre medidas a serem fei- tas, para definir a freqüência de observações e o número necessário de observações para que o valor médio obtido caracterize o local con- siderado. Classicamente, os agrônomos têm pro- 17 curado alcançar esses objetivos por meio das mais diversas técnicas estatísticas aplicadas sobre da- dos obtidos, sem levar em conta sua distribuição espacial no campo. Freqüentemente, áreas e/ou solos homogê- neos são escolhidos sem um critério bem defmido de homogeneidade, nos quais parcelas são distri- buídas ao acaso para evitar o efeito de irregula- ridades porventura existentes. Experimentos em blocos ao acaso, fatoriais etc., são assim planeja- dos e na análise dos dados, se a análise de variância mostra um componente residual relativamente pequeno, conclusões podem ser tiradas sobre di- ferenças entre tratamentos, interações etc. Se a componente residual da variância for relativa- mente grande, o que normalmente é indicado por um alto coeficiente de variação, o experimento fica prejudicado. A causa pode ser a variabilidade do solo, assumido como homogêneo no início da instalação do experimento. Se a distribuição espacial das medidas for observada e levada em consideração na análise, em muitos casos é possível até tirar vantagem da variabilidade espacial. Essa é outra forma de planejar experimentos, nova em Agronomia, mas que utiliza técnicas não recentes importa- 364 I SOLO, PLANTA E ATMOSFERA das da Geoestatística e da Análise de Séries Tem- porais e Espaciais. Textos para um primeiro con- tato com essas técnicas são os de Clark (1979), Isaaks & Srivastava (1989) e revisões sobre va- riabilidade espacial em solos são dadas por Reichardt et alo (1986), Wendroth et alo (1997) e Vieira (2000). A técnica clássica ou "casual" e a técnica das variáveis regionelizedes ou "espacial" se comple- mentam. Uma não exclui a outra e perguntas res- pondidas por uma, muitas vezes não podem ser respondidas pela outra. Na experimentação agronômica é fundamental a metodologia de amostragem, tanto de solo como de planta ou de atmosfera. Na "estatística clássica" recomenda-se a amostragem casual, por sorteio, distribuída aleatoriamente dentro do sistema, sen- do que as coordenadas dos locais amostrados não são levadas em conta na análise estatística. Já na técnica das variáveis regionalizadas emprega-se a amostragem regionalizada, na qual as coordena- das dos locais amostrados são de importância na análise estatística que se preocupa bastante com amostragens vizinhas. Nesse caso, a amostragem é feita ao longo de uma transeção (transect) em inter- valos eqüidistantes, denominados em inglês lag, que poderia ser chamado de espaçamento; ou em malha (grid), também com espaçamento fixo; ou, ainda, em posições quaisquer, mas de coordena- das conhecidas. Para fazer uma comparação entre a estatísti- ca clássica e a análise de variáveis regionalizadas, aplicaremos conceitos de ambas a um mesmo conjunto de dados, apresentados no Quadro 17.1, coletados ao longo de uma transeção. Trata-se de trinta dados de umidade do solo 8 (m"- m') e de argila a (%), medidos nas mesmas amostras, coletadas em um campo razoavelmente homo- gêneo, com espaçamento de 5 m, portanto, em uma transeção de 150 m. MÉDIA, VARIÂNCIA E DESVIO-PADRÃO Na estatística clássica, que se baseia principal- mente na distribuição normal, cada medida em um ponto de amostragem é tomada como uma variável aleatória x., independentemente das de- mais xi' que totalizam n medidas. Em uma nova amostragem, qual seria o valor mais esperado de x?Ele estará em torno do valor mais provável, que é a média X, também denominada esperança de x, dada pela expressão: (17.1) Além do valor médio da variável x, interessa- nos uma medida da dispersão dos dados em tor- no da média. Os desvios (x, - x) são uma medida dessa dispersão mas, como são positivos e nega- tivos, seu valor médio tende a zero. A variância (S2) de x evita esse problema, pois ela é o valor médio dos quadrados dos desvios: (17.2) O somatório é dividido por (n -1) pelo fato de se perder um grau de liberdade. Como nos in- teressa o valor médio dos desvios, basta extrair a raiz quadrada da variância para obter o desvio- padrão s. Para os dados do Quadro 17.1, temos: Variável Média s e 0,376 35,2a 0,000141 2,4954 0,01189 1,5797 ----- ----- Quadro 17.1. Dados de umidade do solo 8 (m3• rn') e de argila a (%) coletados ao longo de uma transeção de 150 m em espaçamento de 5 m. Distância Lag Umidade Argila a 5 1 0,390 36,5 10 2 0,380 35,0 15 3 0,385 35,0 20 4 0,375 35,5 25 5 0,385 34,0 30 6 0,360 33,0 35 7 0,350 32,5 40 8 0,370 34,5 45 9 0,375 37,0 50 10 0,375 37,5 55 11 0,385 37,0 60 12 0,400 38,0 65 13 0,390 36,0 70 14 0,395 38,5 75 15 0,380 37,5 80 16 0,385 35,0 85 17 0,370 35,0 90 18 0,390 34,0 95 19 0,370 35,0 10O 20 0,370 34,0 105 21 0,360 33,0 11O 22 0,370 35,0 115 23 0,380 35,5 120 24 0,375 36,0 125 25 0,370 36,0 130 26 0,385 35,5 135 27 0,375 35,0 140 28 0,360 33,5 145 29 0,355 32,5 150 30 0,380 34,5 VARIABILIDADE ESPACIAL E TEMPORAL. .. I 365 É importante salientar que para uma popula- ção inteira ou completa, nos referimos ao valor médio como média esperada ou verdadeira 11, e como na realidade fazemos uma amostragem da população, que praticamente nunca é completa, nos referimos à estimativa da média ~ ou apenas X,como fizemos neste exemplo, o que também se aplica à variância e ao desvio-padrão: a2 = variância esperada; S2 = estimativa da variância; a = desvio-padrão esperado; s = estimativa do desvio-padrão. Como neste capítulo nos restringiremos a amostragens nunca completas, abandonaremos os símbolos 11, a2 e a. 366 I SOLO, PLANTA E ATMOSFERA Assumindo que a variável x, segue a distribui- ção normal, há uma função híx.) tal que: h(x) = _1_ . exp [- (Xi ~ ;Y] sfu 2s (17.3) denominada equação da curva normal (normal probability density function). O valor de h para cada X é proporcional à probabilidade de X ocor- rer dentro das n observações. A curva h(x) versus X é dada na Figura 17.l. Trata-se de um sino simétrico, com valor máximo correspondente a x = x, assintótico em relação ao eixo x para ambos os lados. A integral da curva é a probabilidade de ocorrência dos va- lores de x e, como o intervalo de x igual a (--00 a +00 ) inclui todos os valores, a probabilidade total de ocorrência é 1 ou 100%. Sendo a curva simé- trica, a probabilidade dos intervalos (-00 a x) e (x a +00) é 0,5 ou 50%. Pode-se verificar que os dois pontos de inflexão ocorrem em x = x - s e x = x + s e que a probabilidade de ocorrência de um valor de x cair entre esses pontos de inflexão é 0,6827 ou 68,27%. Por isso, uma das formas mais comuns h (x) de expressar a dispersão dos dados é pela expres- são x ± s. Apenas 31,73% dos dados caem fora desse intervalo. A curvada Figura 17.1 é teórica e mostra os valores esperados de x. Quanto mais os valores observados se aproximam dos esperados, melhor o ajuste da população à curva normal. Os dados observados normalmente são agrupados em clas- ses e apresentados na forma de histograma so- breposto à curva normal. A Figura 17.2 mostra a curva teórica e o histograma dos dados de e do Quadro 17.l. Um dos testes de ajuste à curva normal ou de normalidade é feito por um gráfico de probabi- lidade acumulada (fractile or normal diagram) que, para os valores esperados, é uma linha reta. Quanto mais os observados se ajustarem a essa linha, melhor o ajuste. A linear idade dos dados pode ser quantificada por meio do teste de Kolgomorov-Smirnov (Kreyzig, 1970 e Rao et al., 1979). A Figura 17.3 mostra esse gráfico para os valores de e do Quadro 17.1. Quando os dados não se ajustam à curva nor- mal, a população deve pertencer a outra dis- tribuição. Muitas vezes são feitas transformações (X-cr) Figura 17.1. Esquema da curva normal. 68'r~ 0, !~~~ I X (X+ cr) x h (x) VARIABILIDADE ESPACIAL E TEMPORAL ... I 367 x mediana média Figura 17.1a. Esquema da distribuição log-normal. 10 o (5 Vl o 8"O (I) "O <':l "O 'E 6:::J <':l "O Vl ~o <':l 4> Vlo "O <':l 'u c 2<(I)::::Ja- ~u.. o 0,34 0,35 0,36 0,410,37 0,38 0,39 0,40 Classesde valores da umidade dç solo 8 Figura 17.2. Curva normal e histograma dos dados de umidade do solo do Quadro 17.1. 1,0 •0,9 <I:l 0,8 "O !::! 0,7::l E ::l 0,6u <I:l valores esperados (]) 0,5"O <I:l :Q 0,4:õ <I:l 0,3.coL..c, 0,2 0,1 0,0 0,34 0,35 0,36 0,37 0,38 0,39 0,4 0,41 0,42 Classes de umidade do solo 8 Figura 17.3. Probabilidade acumulada dos dados de umidade do solo do Quadro 17.1. 368 I SOLO, PLANTA E ATMOSFERA dos dados que levam a um ajuste à curva normal. Um caso comum em Física de Solos é a transfor- mação da variável x em ln x, e a curva obtida cha- ma-se curva log-normal. Ela é uma distribuição assimétrica e, por isso, além da média definida pela equação 17.1, aparecem a moda e a mediana. A moda representa o valor mais provável (mais fre- qüente) de x e a mediana é o valor de x para o qual a probabilidade é 0,5 ou que divide a curva em duas áreas iguais. A Figura 17.1a esquematiza essa dis- tribuição que, por exemplo, descreve muito bem dados de condutividade hidráulica do solo. É importante notar que na distribuição nor- mal: média = moda = mediana e também que a média de x é diferente da média de ln x. Em solu- ções práticas, é difícil a decisão do uso da média, moda ou mediana. No caso da condutividade hi- dráulica K, por exemplo, poderia se admitir que a moda, que representa o valor mais provável, me- lhor representa uma área experimental. Acontece, porém, que alguns valores de K extremamente al- tos e que tornam a distribuição assimétrica podem ter um papel muito importante nos locais onde foram medidos, a ponto de neles provocarem uma drenagem muito mais pronunciada, que não seria aquela representada pela moda. Muitas outras distribuições podem ser usadas para o ajuste de dados, como as distribuições beta e gama, com aplicações em precipitação pluvial e evapotranspiração (Damião &Rao, 1997;Vieira et al., 1997) e a distribuição generalizada de valores extremos, com aplicações no estudo da velocidade máxima do vento (Hosking, 1984; Gusella, 1991). De fundamental importância é, ainda, a cur- va normal reduzida. Se a variável x, da distribui- ção normal (equação 17.3) for transformada em z, = (Xi - x)/s, a nova distribuição passa a se cha- mar reduzida e se simplifica em: I i ! ! ! ! ! ! I i i + i Ie -----------------------------------------------~-------------------------------------------- i ! + !+ ! ! I I i i i i i 1 ( -1 )híz.) =--exp --2 & 2Zi (17.3a) cuja integral é O para Zi= -00; 0,5 para z, = O (va- lor médio) e 1 para z, = +00, que são os valores de probabilidade acumulada. Como para qualquer população seu resultado é esse, ela é usada para a confecção de tabelas de probabilidade. A trans- formação de x, em z, é uma adimensionalização (ver Capítulo 18),) e é fácil notar que z, é uma medida relativa dos desvios d = x, - X, em relação ao desvio-padrão s. Outra transformação interessante é a apre- sentada adiante, pela equação 17.12, proposta por Hui et al. (1998), que faz z = 0,5 para qualquer população. COVARIÂNClA No caso de duas variáveis aleatórias Xe y, com alguma relação de dependência, a covariância (C) passa a ter grande importância. Ela é definida por: 8 2º quadrante 1º quadrante + + + + + VARIABILIDADE ESPACIAL E TEMPORAL I 369 1 [n - _j C=(n_l) ~(Xi-X)(Yi-Y) (17.4) Há covariância entre duas variáveis x, e Yise existir alguma relação entre essas variáveis. O gráfico de seus pares x., Yimostrado na Figura 17.4, feito para os dados do Quadro 17.1, ilustra a questão. Nos 1º e 2ºquadrantes (8i >8) e as diferenças (8i - 8) são positivas. Nos 3º e 4º são negativas. Para argila, nos quadrantes 1º e 3º (ai < a) e as diferenças (ai - a) são negativas e, nos 2º e 4º po- sitivas.Ao fazer o somatório dos produtos das di- ferenças da equação 17.4 para todos os pares, vê-se que estes são positivos para os quadrantes 2º e 3º e negativos para os quadrantes 1º e 4º. Se a maio- ria dos pontos cair nos 2º e 3º, o resultado de C será positivo e dizemos que 8 se correlaciona di- retamente com a. Se a maioria cair no 1º e 4º a correlação será inversa. Se os pontos se distri- buírem igualmente nos quatro quadrantes, C tende para zero e as variáveis não estão correlacionadas. Quanto maior C (sem considerar o sinal), maior 3º quadrante + + + + + + 4º quadrante Figura 17.4. Correlação entre a umidade do solo e o conteúdo de argila. -a a 370 I SOLO, PLANTA E ATMOSFERA a correlação. Essa avaliação é feita pelo coeficien- te de correlação r, dado por: C(x, y) r=--'----- s.: sy (17.5) Na prática utiliza-se tanto r como r2• Para nossos dados de El e a, r = 0,7037 e r2 = 0,4952 (Figura 17.4a). Vimos de forma muito resumida a aplicação dos conceitos mais utilizados na estatística clás- sica. Além disso, essa estatística faz uso de deli- neamentos experimentais (blocos casualizados, inteiramente casualizados, fatoriais etc.) nos quais médias de tratamentos são comparadas entre si por testes de significância, como F,t, Duncan etc. Um texto completo sobre o assunto é o de Pimentel-Gomes (2000). É oportuno relembrar que as posições ou locais nos quais as amostragens foram feitas não participam da análise. O quadro estatístico que se obtém é generalizado sobre a 39,0 38,0 37,0 rv 36,0~ 'Õ'l•... « 35,0 34,0 33,0 32,0 0,340 0,350 0,360 0,390 0,400 0,410 a = 93,5318 + 0,0344 R2 = 0,4952 • • área de coleta das variáveis, perdendo-se os deta- lhes de variabilidade. AUTOCORRELOGRAMA Faremos agora uma introdução à análise de variáveis regionalizadas, mostrando alguns dos conceitos mais utilizados, aplicados aos dados do Quadro 17.1. O primeiro conceito é o da auto- correlação, que leva à construção do autocor- relograma. A equação 17.4 da correlação de duas variáveis x e y torna -se uma autocorrelação se y for trocado pelo próprio x, mas em outra posição dentro da transeção. Como se trata de uma cor- relação entre uma variável e ela mesma em outra posição, o processo é denominado auto correlação. Assim, para as variáveis x, (na posição i) e Xi+j [na posição (i+j), distante de i de jh, ern'que h é o espaçamento (lag) e j = O, 1,2,3, ... ] as equações 17.4 e 17.5 se transformam em: • • 0,370 0,380 Umidade 8 Figura 17.4a. Diagrama de dispersão dos dados de umidade do solo e argila (Quadro 17.1), com valor do coeficiente de correlação r2 = 0,4952. ----- , I, - '''' .••u C(j) = (_ll-.)[~j(x, - X) (Xi+jh- X)]n - -J l-I (17.4a) r(j) = C~) s (17.5a) A auto correlação é, portanto, uma correlação entre vizinhos; entre primeiros vizinhos para j = 1 (XI com X2, x2 com X3, x, com x., x, com Xi+l); entre segundos vizinhos para j = 2 (XI com X3, X2 com X4, •••••• x, com Xi+2) , e assim por diante. Na verdade, as coordenadas de amostragem de X não entram na análise, mas sua posição na transeção e sua ordenação são importantes. Pode- se verificar que para j = 1perde-se um par na cor- relação, para j = 2 perdem-se 2 pares e, assim, com o aumento de j o número de pares indicado na somatória da equação 17.4a diminui e equivale ao índice superior da somatória: n - j, Por isso, para o uso da auto correlação e de outras ferra- mentas da estatística regionalizada, é preciso um número n de observações muito grande. Na equação 17.5a aparece apenas o cociente S2 por que Sx = se Sy = s, cujo produto é S2. Se aplicarmos a equação 17.5a para valores de j = 0,1,2, ....k (com k muito menor que n- j), obteremos r(O), r(1), r(2), .... , r(k). O valor de r(O) é 1, pois correlaciona-se x, com x., Se houver correlação entre vizinhos, teremos valo- res de r(1), r(2), .... proporcionais a estas corre- lações, mas sempre menores que 1.Para vizinhos muito distantes, espera-se que a correlação di- minua tendendo para zero. O gráfico de r(j) em função de j é denominado autocorrelograma. Ele mede, portanto, a variação da auto correla- ção em função da distância que separa os dados. Se r(j) cai rapidamente para zero, a variável X não é autocorrelacionada e seus valores x, po- dem ser considerados independentes, o que, ali- ás, é exigido pela estatística clássica e quase nunca é observado. Se r (j = 5) ainda for signifi- cativo (o que pode ser feito por meio de testes VARIABILIDADE ESPACIAL E TEMPORAL. .. I 371 de probabilidade), isso significa que até o quin- to vizinho (distante de 5h) ainda há autocorre- lação. O próximo passo é o cálculo dos intervalos de confiança de r para verificar se ele é signifi- cativo ou não, e, dessa forma, definir o compri- mento jh no qual existe a dependência espacial entre as observações adjacentes da variável em estudo. Uma forma de determinar o intervalo de confiança IC de autocorrelação é usar a fun- ção de probabilidade acumulada p (p.ex., ± 1,96 para 95% de probabilidade) para a função de dis- tribuição normalizada (Davis, 1986) e o núme- ro de observações (n). Dessa forma: (17.6) O autocorrelograma dos dados de 8 do Qua- dro 17.1 é apresentado na Figura 17.5. Na prática, os autocorrelogramas podem as- sumir formas variadas, dependendo da variabi- lidade espacial da variável. Para altos valores de j, r(j) pode até assumir valores negativos e, com o aumento de j, voltar a ser positivo. CROSSCORRELOGRAMA Com a noção de auto correlação, a correlação simples (x, com yJ dada pela equação 17.4, pode ser estendida para os vizinhos. Assim, aparece o crosscorrelograma que usa duas variáveis em posições diferentes, isto é, correlação x, com Yi+j: r, (j) = C (X;, Yi + )(~r x y (17.7) O crosscorrelograma torna mais consistente a correlação entre X e Y,pois ele também se vale de vizinhos. A Figura 17.6 apresenta o crosscor- relograma entre dados de 8 e a do Quadro 17.1. 95% significância usando teste "t" = 0,3580 372 I SOLO, PLANTA E ATMOSFERA 1,0 r--.= 0,8•.... o !<I:l 0,6Uo <I:l ãi 0,4•....•.... ou 0,2o ""':::J <I:l 0,0 Q) "O -0,2Q) ""'c Q) -0,4'u '+=Q) -0,6ou -0,8 -1,0 43 10 Espaçamento entre observações ( "Iag") Figura 17.5. Autocorrelograma dos dados de umidade do solo e (Quadro 17.1). 2 É oportuno notar que as correlações entre x, e Xi+j são idênticas às de Xi+j ex, por isso o autocor- relograma é apresentado apenas para j positivo (Figura 17.5). No caso do crosscorrelograma, a correlação entre x, e Yi+j é diferente de Yi+j e x, e, por isso, ele é apresentado como na Figura 17.6. SEMIVARIOGRAMA Incluindo vizinhos na variância (S2) (equação 17.2) obtém-se a semivariância (8), dada por: 1 n-j 8(j) = 2-( .) L, (x, - X;+/ n-) 1=1 (17.8) Note-se que a variância S2 é a média do qua- drado do desvio de X em relação à média Sê e que a semivariância 8 é feita em relação a vizinhos. O fator 1/2 da equação 17.8 justifica o nome semivariância, por que cobre o dobro dos desvios empregados na variância. Para j = O, (x, - X;) = O e 8(0) = O. Para j = 1,2,3, ...., temos 8(1), 8(2), 8(3), ...., 8(k) cujos valores são crescentes até que os vi- zinhos i e i+j sejam tão distantes a ponto de não apresentarem dependência e 8(k) tende para S2 que mede a variabilidade de uma população de obser- vações independentes. O gráfico de 8(j) em fun- ção de j é denominado semivariograma. Como no autocorrelograma, na prática o se- mivariograma pode apresentar as formas mais va- riadas possível, dependendo da dependência espacial da variável. Quando, para valores muito baixos de j o valor de 8(j) se aproxima da variância S2, praticamente não há dependência espacial. O valor de j para o quaI8(j) se iguala a S2 é denomi- nado alcance (range of influence), isto é, a distân- cia em número de espaçamentos jh dentro da qual há dependência espacial. Às vezes o semiva- rio grama se inicia com valores positivos, sendo o fenômeno denominado efeito pepita (nugget effect) que pode ser interpretado como a medida da semelhança entre os valores vizinhos da variá- vel. Texto completo sobre semivariogramas é o de Vieira (2000). SÉRIES TEMPORAIS E ESPACIAIS Há uma grande classe de fenômenos (físicos, químicos ebiológicos) cujo processo observacional 1,0 VARIABILI~ADE ESPACIAL ETEMPORAL. __ I 373 95% significância usando teste "t" = 0,3580 0,8 - 0,6 - 0,4 - - - _ 0,2 - - 0,0 - T I -0,2-- O -9 -'8 -7 -6 -5 -4 -3 -2 -1 2 3 4 5 6 7 ~ s lp- - - o 1<13o- <13 Qj l::: ou V"l V"l o•.... u Q) -a Q)•.... c Q)-u :.:: Q) o U - -0,6 -_._._._._._._. ._._._. __ ..•• _. ._._._._._._._._._._. 0_0 _ -0,8 -1,0 ~--------------------------+-------------------------~ Espaçamento entre observações ("Iag") Figura 17.6. Crosscorrelograma entre os dados de umidade do solo e e de argila a (Quadro 17_1). -0,4 e a conseqüente quantificação numérica produzem uma seqüência de dados distribuídos no tempo ou no espaço. A seqüência de dados ordenados segun- do o parâmetro tempo é denominada série tem- poral. São exemplos de séries temporais: (i) valores mensais de temperatura do ar em um dado local; (ii) valores diários de precipitação em um dado local; (iii) dados de produção anual de cana-de- açúcar em uma dada área; e (iv) conteúdo anual de matéria orgânica do solo em um dado local. Da mesma forma, uma seqüência de dados dispostos em ordem espacial é denominada série espaciaL Alguns exemplos são: (i) valores de temperatura do solo coleta- dos ao longo de uma transeção; (ii) valores de umidade do solo coletados ao longo de uma linha de cultura de milho; (iii) dados de produção de cana-de-açúcar medidos ao longo de uma faixa; e (iv) valores de pH do solo medidos ao lon- go de uma transeção, As séries temporais podem ser discretas ou contínuas, sendo a forma mais simples de concei- tuá-las dada por Z( ti)' t = 1,2, ..., n, compostas de um conjunto de observações discretas, observa- das em tempos eqüidistantes ti - ti_I= CX que apre- sentam dependência serial entre elas. Mesmo que uma série seja obtida continuamente durante um intervalo de tempo de amplitude T, o que é feito por instrumentos de registro contínuo, será ne- cessário transformá-Ia em uma série discreta, por meio de amostragem em intervalos de tempo equiespaçados «.O intervalo de tempo entre as observações sucessivas é determinado, algumas vezes, pelo pesquisador, mas em muitas situações ele é determinado pela disponibilidade dos da- dos, sendo que, quanto menorpossível o inter- valo de amostragem maior será o número de observações e, conseqüentemente, melhor a aná- lise dos dados (Morettin & Toloi, 1987). De acor- 374 I SOLO, PLANTA E ATMOSFERA do com Tukey (1980), os objetivos básicos em mente quando se analisa uma série temporal são: a) modelagem do fenômeno sob consi- deração; b) obtenção de conclusões em termos estatís- ticos; e c) avaliação da adequação do modelo em ter- mos de previsão. Em toda a investigação que envolve a metodo- logia estatística, um dos primeiros cuidados a se to- mar na análise de uma série é o planejamento amostral e a preparação dos dados. Dependendo dos objetivos da análise, vários problemas com as ob- servações podem ocorrer e medidas devem ser to- madas para evitá-Ios ou, pelo menos, amenizá-los. Entre essas medidas podemos citar: planejamento, estacionariedade, transformações, observações per- didas e irregulares, outliers e registros curtos. Mais detalhes sobre essas medidas de segurança podem ser encontrados em Morettin & Toloi (1987). Os modelos usados para descrever séries tem- porais são processos estocásticos, isto é, processos controlados por leis probabilísticas. A escolha des- ses modelos depende de vários fatores, como o comportamento do fenômeno ou o conhecimen- to anterior que temos de sua natureza e do objeti- vo da análise. Do ponto de vista prático, depende, também, da existência de métodos ótimos de esti- mação e da disponibilidade de softwares. Uma série temporal pode ser analisada de duas maneiras: (i) análise no domínio do tempo e (ii) análise no domínio da freqüência. Em ambos os casos, o objetivo é construir modelos para a série com propósitos determinados. No primeiro caso, o objetivo da análise é identificar os modelos para as componentes estacionárias (variáveis aleatórias) e não-estacionárias (função média), sendo que, neste caso, os modelos propostos são modelos paramé- tricos (com número finito de parâmetros). Entre os modelos paramétricos temos, por exemplo, os modelos AR (auto-regressivo), modelos MA (mé- dia móvel), os modelos ARMA (auto-regressivo média móvel), modelos ARIMA (auto- regressivo in- tegrado média móvel) e modelos de Espaço de Es- tados (State-Space models). Já no segundo caso, os modelos propostos são modelos não-paramétricos e consistem em decompor a série dada em compo- nentes de freqüência, em que a existência do espec- tro é a característica fundamental. Entre os modelos não-paramétricos podemos citar a análise espectral, em que são estudados fenômenos que envolvem periodicidade dos dados, tendo, portanto, nume- rosas aplicações em todas as áreas da ciência. Quando estamos interessados em fazer a aná- lise de uma série no domínio do tempo, uma das suposições mais freqüentes é que esta série é esta- cionária, ou seja, se desenvolve no tempo aleato- riamente onde as propriedades estatísticas (média e variância) não variam, refletindo alguma forma de equilíbrio estável. Porém, a maior parte das sé- ries que encontramos na prática apresenta alguma forma de não-estacionariedade (média evariância variam) necessitando, dessa forma, uma trans- formação dos dados originais já que a maioria dos procedimentos de análise estatística de séries tem- porais supõe que estas sejam estacionárias. Exem- plos de uma série estacionária e não-estacionária são apresentados na Figura 17.7. A definição de séries temporais apresentada anteriormente, apesar de simples, evidencia de certa forma a "Análise de Séries Temporais" como área bem definida na Estatística, visto que estamos claramente descartando os dados independentes e identicamente distribuídos (estatística clássica), comum ente usados nos diversos modelos estatís- ticos (Souza, 1989). Como mencionado, até recentemente, pes- quisadores ligados à área agronômica estuda- vam a variabilidade das propriedades do solo por meio da estatística clássica (análise de va- média e 2,2 s :: 0,32 CV:: 14,6% ,..." 3,0-E ":' 2,8o.-'-' Vl 2,6 <X: Vl 2,4o 1J C\l 2,2O"l Q)•... O"l 2,0C\l Q) 1,81J Q) 1J 1,6C\l :Q li 1,4 C\l....., 1,2VlUJ O A VARIABILIDADE ESPACIAL E TEMPORAL ... I 375 4020 30 90 100 ,..." 0,350 média e 0,241 B'" E s :: 0,032 '" 0,300 CV:: 13,4% E '-' a:> 0,250o Õ Vl o 0,200 1J Q) 1J C\l 0,1501J 'E :J 0,100 O 10 20 30 40 50 60 70 80 90 100 Pontos da transeção Figura 17.7. Exemplo de uma série estacionária (A) e não-estacionária (B) ao longo de uma transeção espacial em área cultivada com cana-de-açúcar. 10 riância, média, coeficiente de variação, análise de regressão etc.), que pressupõe que as obser- vações de uma dada propriedade são inde- pendentes entre si, desconsiderando-se sua localização na área. Neste caso, os experimen- tos são conduzidos para minimizar o impacto da variabilidade espacial ou temporal, sendo, portanto, ignorado o fato de que as observações podem ser espacialmente (ou temporalmente) 50 60 70 80 Pontos da transeção dependentes. Entretanto, tem sido enfatizado que observações adjacentes de dada proprieda- de do solo não são completamente inde- pendentes e que essa variabilidade espacial deve ser considerada na análise estatística dos da- dos. Nielsen & Alemi (1989) comentam que as observações dentro e entre os tratamentos po- dem não ser independentes entre si, o que torna o arranjo experimental no campo inadequado. 376 I SOLO, PLANTA EATMOSFERA Avariabilidade espacial das propriedades dos solos pode ocorrer em diferentes níveis, poden- do estar relacionadas a vários fatores: variação do material de origem, clima, relevo, organismos e tempo, ou seja, de processos genéticos de forma- ção do solo e/ou efeitos de técnicas de manejo dos solos decorrentes de seus usos agrícola (McGraw, 1994). Ferramentas estatísticas, como, autocorrelogramas, crosscorrelogramas, semiva- riogramas, análise espectral, krigagem, co- krigagem, modelos auto-regressivos, modelos ARIMA, modelos de espaço de estados etc., têm sido utilizadas para estudar a variabilidade espa- cial dos atributos do solo e podem, potencial- mente, levar a um manejo que propicie melhor entendimento dos processos de interação solo- planta-atmosfera (Vieira et aI., 1981; Vauclin et al., 1982; Nielsen et al., 1983; Morkoc et al., 1985; Shumway, 1988;Nielsen &Alemi, 1989;Wendroth et al., 1992; Katul et al., 1993; Wendroth et aI., 1997,1998; Hui etal., 1998; Dourado-Neto etal., 1999; Timm et al., 2000 e 2001; Wendroth et aI., 2001; Timm et al., 2003 a, b, c). A análise espectral será vista no item a seguir. Krigagem, em inglês kriging é um procedimento estatístico para inter- polação espacial entre valores medidos (observa- dos). O método faz uso da estrutura da variância contida no semivariograma e nos fornece a me- lhor estimativa de um valor não medido, por meio de média ponderada dos valores observados na vizinhança. Também é possível identificar a mag- nitude do erro do valor estimado. A forma de cál- culo é apresentada em detalhe em Nielsen & Wendroth (2003). Co-krigagem (cokriging) tam- bém é uma técnica de interpolação para estima- tiva de valores de duas variáveis desde que haja uma correlação espacial entre elas, baseando-se em crossvariogramas (semivariograma cruza- do). A krigagem é um caso particular do método de co-krigagem. Vieira (2000) é um texto bastan- te completo sobre a teoria que envolve o cálculo de semivariogramas, krigagem, semivariograma cruzado e co-krigagem. Questão importante está relacionada ao número de amostras necessário para que determinado atributo seja representati- vo de determinada área. Segundo Warrick & Nielsen (1980), quando um atributo do solo se- gue a distribuição normal e as amostras são in- dependentes, é possível calcular o número de amostras necessário em futuras amostragens, para que se obtenha previsão com umnível de proba- bilidade desejado, usando a seguinte expressão: t2 2. sN=-d2 (17.9) em que N é o número de amostras necessário em futuras amostragens, o valor de t é obtido a par- tir da distribuição t student, com infinitos graus de liberdade e probabilidade dada por (1- ~/2), sendo ~ o nível de confiança desejado. O desvio- padrão dos n dados conhecidos de amostragens anteriores é representado por s e d é a variação aceitável em torno da média. Exemplo: Sabe-se que em uma área a umida- de média do solo e no ponto de murcha perma- nente PMP é 9,5% à base de volume, calculada com um desvio-padrão s = 3,1. Em nova amos- tragem, quantas medidas (N) devem ser feitas para que 95% delas estejam dentro de um inter- valo d correspondente a 15% da média? Solução: Para um nível de 5% de probabi- lidade, o valor de t para GL = 00 é 1,96. 15 % da média = 0,15 x 9,5 = 1,4 r-s~~__r-I ----1 I I I I • 6,4 8,1 9,5 10,9 12,6 média N (1,96)2 X (3,1)2 did= = 19 me 1 as (1,4)2 Nessa abordagem do problema, o procedi- mento de amostragem adequado para a caracte- rização do comportamento de uma propriedade do solo Z, em determinada área, consiste em rea- lizar amostragem aleatória, supondo a indepen- dência dos dados. A intensidade de amostragem dependerá da variabilidade da propriedade na área, assim como do nível de precisão desejado em torno da média e da quantidade de recursos financeiros que se dispõe no projeto, uma vez que o custo de cada amostragem depende da proprie- dade a ser medida. A preocupação com a variabilidade espacial das propriedades do solo é expressa em diversos trabalhos de pesquisadores ligados à área agro- nômica. Até recentemente, estudos mais minu- ciosos dessa variabilidade revelaram as limitações dos métodos clássicos da estatística de Fisher. Em geral, as hipóteses de normalidade e indepen- dência dos dados não são testadas e, além disso, a independência tem de ser assumida a priori, an- tes de se amostrar. Toda a variabilidade apresen- tada pelos valores da variável é atribuída ao resíduo, ou seja, a fatores não controlados. O uso de ferramentas estatísticas que levam em consi- deração a estrutura de dependência espacial en- tre as observações tem contribuído para que seja adotado melhor manejo das práticas agrícolas, bem como dos impactos causados por essas prá- ticas no meio ambiente. ANÁLISE ESPECTRAL Em muitas séries temporais e espaciais, os va- lores da propriedade observada oscilam em torno de um valor médio evidenciando um processo pe- riódico ou um comportamento cíclico que, de tem- pos em tempos (ou espaços em espaços) retomam valores passados (ou anteriores). A temperatura mínima anual de Piracicaba, por exemplo, atinge VARIABILIDADE ESPACIAL E TEMPORAL. .. I 377 valores abaixo de zero, provocando geada, a cada 7 alO anos. Se a densidade do solo for medida ao longo de uma transeção perpendicular às linhas da cultura, a cada n -ésirna entrelinha aparecerá um adensamento provocado por veículos utilizados no cultivo e na colheita. Para essas séries, o autocorre- lograma também apresenta comportamento cíclico, lembrando uma co-senóide que oscila em torno do eixo h, com valores ora positivos, ora ne- gativos, muitas vezes dentro do nível não signifi- cativo. Fazendo a integral a seguir para valores crescentes da freqüência f: ~ S(f) = 2 fr(h)cos(27t . f -h)dh o (17.9a) o gráfico de S em função de f nos fornece o es- pectro da variabilidade da variável em estudo. Exemplo esquemático é o da Figura 17.8, na qual se verifica a presença de dois picos: um para fI = 0,083 m' e outro para f2 = 1,25 m', Isso significa que a variável em estudo a cada 1/f1 = 12 m e a cada 1/f2 = 0,8 m, apresenta valor máximo que é o reflexo de operações de manejo feitas a cada 0,8 m (p.ex., linha de plantio) e a cada 12 m (pas- sagem de veículo). Detalhes da análise espectral podem ser en- contrados em Nielsen &Wendroth (2003) e uma aplicação prática feita em nosso meio é a de Libardi et al. (1986). A FORMULAÇÃO EM ESPAÇO QE ESTADOS (STATE-SPACE APPROACH) O modelo em espaço de estados de um pro- cesso estocástico estacionário ou não é baseado na propriedade de sistemas markovianos que es- tabelece a independência do futuro do processo em relação ao seu passado, dado o estado presente. 378 I SOLO, PLANTA E ATMOSFERA s (f) ° 0,10,20,30,4 0,50,60,70,80,91,0 1,11,21,31,41,5 ~0,8m~, ,. .. , ~"---------12 m---------~ Figura 17.8. Esquema de espectro da variabilidade de uma propriedade x que recorre em intervalos iguais de espaço. A formulação de um modelo em espaço de estados é uma forma de representar um sistema linear (ou não) a partir de um sistema de duas equações dinâmicas. Para o caso de um sistema linear teremos: 1a) a forma pela qual o vetor das observações Yj(x) do processo é gerado em função do vetor de estado Z(x), denominada equa- J J ção das observações (17.10); 2a) a evolução dinâmica do vetor de estado não-observado Z(x), denominada equa- J j ção de estado ou do sistema (17.ll). De uma forma analítica temos: (17.10) (17.ll) A matriz de observação Mjj na equação 17.10 origina-se do seguinte conjunto de equações de observações: YJ(X,)= illIlZ/XJ + illJ,Z,(X,) + +illJjZJXJ + vYJ(x,) Y,(xJ = ill2lZJ(X,)+ ill"Z,(X,) + + ill'jZj(X,) + Vy,(x,) podendo ser escrita na forma matricial: Yj(x,) illll m., ...... illJj ZJxJ vYJ(xJ Y,(x,) ill21 ill" ...... ill'j Z,(x,) + Vy,(x,) x YJx,) illjl illj, ...... illjj ZJxJ VyJxJ - Mjj A matriz de transição (ou matriz dos coefi- cientes) <Pjjna equação 17.11 origina -se do se- guinte conjunto de equações de estado: Z,(x) = <l>IIZ,(Xi-J + <l>12Z,(X;.-')+ + <I>,;Z;(Xi-')+u,,(x) Z,(x) = <l>21ZJX;.-,) + <l>22Z,(X;J + + <1>2;Z; (Xi-, ) + uz,(X) ou na forma matricial: Z, (X;.-,) u-, (X;) Z2(X;.-J uZz(X;) x + <1>12' <1>,; <1>22 <1>2; <1>;1 <l>j2 <I>j; <1>;; o vetor de observação Yj(xJ é relacionado ao vetor de estado Zj(xJ pela matriz de observação MJxJ e por um erro (ou ruído) de observação Vyj(xJ (equação 17.10). Isso significa que valores observados Y, [que podem ser quaisquer variá- veis como a umidade do solo 8, pH, matéria or- gânica, densidade do solo etc. medidas ao longo de uma transeção de n pontos espaçados do lag h, isto é, i - (i - 1) = h] não são tomados como verdadeiros, mas são considerados medida indire- ta de Y, refletindo o verdadeiro estado da variável Zj (valor não-observado da variável) adicionado a um erro de observação VYj'Por outro lado, o vetor de estado Zj(x,) na posição i é relacionado ao mesmo vetor na posição i-I por meio da ma- triz dos coeficientes de estado <pjj(xJ(matriz de transição) e um erro (ou ruído) associado ao es- tado UZj(Xi)com a estrutura de um modelo auto- regressivo de primeira ordem. É assumido que Vyj(xi)e uz/xJ são normalmente distribuídos, in- dependentes e não-correlacionados entre si para todas as defasagens. VARIABILIDADE ESPACIAL E TEMPORAL. .. I 379 As equações 17.10 e 17.11 contêm pertur- bações (ou ruídos) distintas, uma sendo asso- ciada às observações (equação 17.10) e a outra ao estado (equação 17.11). De acordo com Gelb (1974), o desenvolvimento de métodos para pro- cessamento de observações contaminadas por ruído pode ser atribuído aos trabalhos de Gauss e Legendre (em torno de 1800), que desenvolve- ram, independentemente um do outro, o méto- do dos mínimos quadrados para modelos lineares. Mais recentemente, uma solução recursiva para o método de mínimos quadra- dos em modelos lineares foi obtida por Plackett (1950). Kalman (1960), usando uma formula- ção em espaço de estados, desenvolveu um fil- tro recursivo ótimo para estimação em sistemas lineares dinâmicos estocásticos, sendo atualmen- te conhecido na literatura como Filtro de Kalman (FK) (ver Figura 17.9). Segundo Gelb (1974), um estimador ótimoé um algo ritmo computacional que processa as observações para deduzir uma estimativa mínima (de acordo com algum critério de otimização) do erro do estado de um sistema utilizando: (i) conhecimento da dinâmica das observações e do sistema; (ii) as- sumindo inferências estatísticas aos ruídos as- sociados às observações e aos associados ao estado; e (iii) conhecimento da condição inicial da informação. Resumindo, dado o sistema di- nâmico de equações que descreve o comporta- mento do vetor de estado e das observações, os modelos estatísticos que caracterizam os erros observacionais e do estado e a condição inicial da informação, o filtro de Kalman faz a atuali- zação seqüencial do vetor de estado no tempo (ou espaço) i-I para o tempo (ou espaço) i. De fato, pode-se argumentar que o FK é, em es- sência, solução recursiva (solução que permite processamento seqüencial das observações) para o método original dos quadrados míni- mos de Gauss. Contudo, cabe salientar que é 380 I SOLO, PLANTA EATMOSFERA necessário o uso de outro algo ritmo [p ..ex., o algo ritmo de máxima verossimilhança (EM), amplamente discutido por Shumway & Stoffer (2000)] para que junto com o FK seja solucio- nado o problema das observações contamina- das por ruídos, ou seja, presença de parâmetros de incerteza (Gelb, 1974). De acordo com o objetivo do estudo envol- vendo a metodologia de espaço de estados pode- se ter diferentes tipos de estimativas: (a) quando o tempo (ou espaço) no qual uma estimativa é desejada coincide com o último dado observado, o problema é dito de filtragem; b) quando o tem- po (ou espaço) de interesse se situa dentro de todo o conjunto de dados observados, ou seja, todo o conjunto de dados observados é utilizado para estimar o ponto de interesse, o problema é dito de suavização; e (c) quando o tempo (ou espaço) de interesse se situa além do último dado obser- vado, o problema é dito de predição. Qualquer modelo linear (Motta & Hotta, 1998) e não-linear (Katul et al., 1993) pode ser representado na formulação de espaço de esta- dos, a partir de um sistema de duas equações: uma equação para um vetor de observações e outra para a evolução do vetor de estados. A formulação de espaço de estados pode ser usada, como a krigagem e a co-krigagem (Alemi et al., 1988; Deutsch & Journel, 1992), para a interpolação espacial de dados, porém a filosofia por trás dessas ferramentas é diferente. Por exem- plo, para a aplicação da técnica de krigagem e co- krigagem a condição de estacionariedade dos dados é requerida, diferindo da abordagem de es- paço de estados em que essa condição não é um fator limitante, ou seja, a série em estudo pode não ser estacionária (Shumway, 1985). Até então, o sistema de equações lineares di- nâmicas (equações 17.10 e 17.11), que descreve a formulação de espaço de estados foi apresen- tado de forma geral. Entretanto, o objetivo des- se texto é apresentar o uso da formulação de espaço de estados sob duas abordagens diferen- tes: a primeira apresentada em Shumway (1988) e Shumway & Stoffer (2000) que vem sendo em- pregada por vários pesquisadores na área agro- Estrutura do filtro Ganho de Kalman atualização média, variância estimação Observação Z (tk) Variância R Figura 17.9. Exemplo de aplicação do filtro de Kalman a sistemas não-lineares (extraído de Katul et 01., 1993). Po---' --- -------- nômica, dando ênfase à equação de evolução de estado do sistema (equação 17.11), e a segunda apresentada em West & Harrison (1989, 1997), que ainda tem sido pouco explorada na área agronômica em que é dada ênfase maior na equação das observações (equação 17.10). Pre- tende-se alcançar tal objetivo ilustrando exem- plos de aplicação na área agronômica onde tais abordagens estão sendo utilizadas. ESPAÇO DE ESTADOS DESCRITO EM SHUMWAY (1988) Essa abordagem apresentada em Shumway (1988) e mais recentemente em Shumway & Stoffer (2000) dá maior ênfase na equação de evo- lução de estado do sistema em que a matriz dos coeficientes de transição (j) (equação 17.11) é uma matriz de dimensão j x j que indica a medida es- pacial da associação linear entre as variáveis de interesse. Esses coeficientes são otimizados por um procedimento recursivo, usando algo ritmo tipo filtro de Kalman (Shumway & Stoffer, 1982) em que o método da máxima verossimilhança é usado junto com o algoritmo de maximização da média de Dempster et al. (1977). Neste caso, as equações 17.10 e 17.11 são resolvidas assumindo valores iniciais para a média e a variância de cada variável e para as matrizes: de covariância do ru- ído das observações R; de covariância do ruído associado ao veto r de estado Q; dos coeficientes de transição (j); e de observação M. Shumway (1988) considera a matriz M unitária (identida- de). Dessa forma a equação 17.10 torna-se: (17.10a) o que significa que Y difere de Z apenas por um erro. VARIABILIDADE ESPACIAL E TEMPORAL. .. I 381 No desenvolvimento do software Applied Statistical Time Series Analysis (ASTSA) usado para a análise de séries temporais (espaciais), a matriz M foi fixada durante todos os passos da estimativa da variável. Isso mostra a maior ênfa- se de sua abordagem na equação de evolução de estado e não na equação das observações. Mais detalhes podem ser encontrados em Shumway (1988) e Shumway & Stoffer (2000). Ilustraremos algumas aplicações dessa abor- dagem em um experimento conduzido em uma área cultivada com cana-de-açúcar localizado em Piracicaba, SP. O experimento de campo com a cultura de cana-de-açúcar, com o espaçamento entre linhas de 1,4m, foi instalado de acordo com delineamento experimental em blocos ao acaso com quatro tratamentos e quatro repetições por tratamento, sendo que cada repetição foi subdi- vidida em faixas de 1 m (lag = 1 m), compondo, no total, uma transeção de 84 parcelas, incluídas as bordaduras colocadas nas extremidades e en- tre cada tratamento. A Figura 17.10 mostra o es- quema experimental utilizado. No total foram plantadas quinze linhas de cana-de-açúcar com 100m de comprimento cada uma. O tratamento TI recebeu adubo marcado com N-15 no plantio e no primeiro corte (no- vembro/ 1998) recebeu palha não marcada do tra- tamento T2 que foi adubado com o mesmo adubo, não marcado. O tratamento T2 recebeu no primeiro corte palha marcada de TI. O trata- mento T3 foi usado para a produção de palha não marcada, sendo a superfície do solo mantida sem palha, ou seja, nu. O tratamento T4 recebeu o mesmo adubo marcado que foi aplicado em TI, porém a cana-de-açúcar foi queimada antes da colheita, permanecendo os resíduos da queima sobre a superfície do solo. Esses tratamentos são baseados na recente tendência de troca das práti- cas de manejo da cana-de-açúcar, substituindo a tradicional queima da cana pela colheita da cana . . . . • . '. B .... • .. . 72 382 I SOLO, PLANTA EATMOSFERA ----- 21 m ----- ..... . . . . . . •. . B . . . . . . . : . . .' 12 , , . . . . , ~ . , . . . . , . . . ! ' . , , . . . . . . . , : . •• I • '. . . . . . : . . . . . . ; 'T ..... 3. • . • 48 , ,',52 Pontos de medição ~ ~ . . . . . . .. . . ... . ..... :, ',' .. " .: ~,>,<' ..··T 1 • • : ,~,:, , . , .. '... , ... •••••••. 'to. , ". o Nw-9-' s 68 88·B : 100 iiiiiiiiiiitttt 15 linhas da cultura Figura 17.10. Esquema da área experimental cultivada com cana-de-açúcar, mostrando as 15 linhas da cultura, localizada em Piracicaba, SP (Figura extraída de Oliveira et 01., 2001). lhor entendimento do comportamento da umi- dade e da temperatura do solo no experimento de cana-de-açúcar descrito. A umidade do solo e na faixa de 0-0,15 m, ao longo dos 84 pontos da transeção espacial, foi medida empregando sonda de superfície nêutron-gama. Simultaneamente, a temperatura do solo foi medida nas profundida- <, crua, em que a coberturavegetal é deixada na superfície do solo. a) Análise do comportamento da umidade e da temperatura do solo Esse exemplo tem por objetivo ilustrar o uso da metodologia de espaço de estados para me- des de 0,03; 0,06 e 0,09 m na mesma transeção, com termômetro digital, sendo que o valor mé- dio das três profundidades foi usado nesse estu- do. A análise foi executada com o auxílio do software ASTSA (Shumway, 1988). A partir da equação 17.11, pôde-se verificar que a matriz dos coeficientes de transição <1>jjre- laciona o vetor de estado Zj na posição i com seu valor na posição i-l. Quando os dados originais são normalizados [z/Xj)1 antes da aplicação da metodologia de espaço de estados, a magnitude dos coeficientes <1>torna-se diretamente propor- cional à contribuição de cada variável na estima- tiva de Zj(xJ Para isso, foi usada a seguinte transformação: ( ) _Z/xJ-(Zj-2S) Z· x - --'-------'-- J I 4s (17.12) Os dados observados de umidade e e tempe- ratura T do solo usados nesse exemplo são mos- trados na Figura 17.11; ambas as variáveis VARIABILIDADE ESPACIAL E TEMPORAL ... I 383 apresentam variação acentuada ao longo da transeção. Analisando em conjunto as Figuras 17.10 e 17.11, percebe-se claramente o efeito da presen- ça da cobertura vegetal na superfície do solo (TI e T2) com valores mais altos de umidade do solo e mais baixos de temperatura do solo. Essa varia- ção acentuada entre os valores é decorrência do fato de a colheita da cana ter sido realizada no mês de outubro de 1998 e as medidas, no dia 20 de novembro do mesmo ano, ou seja, a cana soca apresentava pequeno porte, não cobrindo a su- perfície do solo e expondo-a às adversidades cli- máticas de forma mais acentuada. A regressão linear mostrada na Figura 17.12 (R2 = 0,4493) de- monstra que a umidade do solo está inversamen- te relacionada com a temperatura do solo. As Figuras 17.13A e B apresentam os auto- correlogramas da umidade do solo (17.13A) e da temperatura do solo (17.13B). Analisando essas figuras, pode-se verificar que tanto a umidade do 34 --tTe(nperatura db solo 0,40 + Urinidade do sblo! 32 l l l ! 0,35i i i I ................ i i '" U i i Eo i !'-"I- 0,30 '"a 30 E (5 '-" Vl <:D a a "O 0,25 (5 ~ 28 Vl•... a::J "O•...~ ; Q)•... ; Q) ; "O Q. 26 ; 0,20 ~E ; "Oi 'E~ ;i- T4 --+i ~ 24 B i i 0,15, ,i i T3 j i B ; ; 22 i 0,10 O 10 20 30 40 50 60 70 80 90 Figura 17.11. Dados observados de umidade do solo e temperatura do solo ao longo da transeção espacial dos 84 pontos. 384 I SOLO, PLANTA E ATMOSFERA Foto 17.1. Sonda nêutron-gama utilizada para medida da umidade e densidade do solo ao longo de uma transeção, em experimento de cana-de-açúcar. (Dourado et 01., 1999) 34 32 ..---u 0 30I- o "O V'l 28o ""O :::.a 26 ::: O)o, E 24 ~ 22 20 0,150 VARIABILIDADEESPACIALETEMPORAL... I 385 • •• T = -52,766* e + 41,236 R2 = 0,4493• • •• •• •• • • •• • •• • •• • • 11.. •...·'-iI ~. • Figura 17.12. Regressão linear entre os dados de umidade do solo e temperatura do solo. 0,200 0,250 0,300 0,350 0,400 Umidade do solo e (m ' . rn') A 1,0 ..--- 0,8:.::::> Q) l- 0,6 ""O os 13, 0,4 c o:s .~ ã) 0,2 .~ t:'t o O, o -t-"'---'L-L--"---------------L---"-----"'---'L-JL--"--- ---.---r----.-----"---IL o U U .8 -0,2 :::l o:s -0,4 -0,6 -0,8 -1,0 Figura 17.13. Autocorrelogramas da umidade do solo (A) e temperatura do solo (B), indicando a autodependência espacial de cada variável com as observações adjacentes. 1,0 0,8 0,6 G 0,4 O) ••• "O o 0,2 O) .o:sc ~ 0,0 0)-:g ~ -0,2 - o~ ~ -0,4 U :í -O 6o:s ' -0,8 -1,0 Espaçamento entre observações ("Iag") 95% significância usando teste "t"= 0,214 B 95% significância usando teste "t" = 0,214 Espaçamento entre observações ("Iag") 386 I SOLO, PLANTA EATMOSFERA solo como a temperatura apresentam dependên- cia espacial de até 8 lags, ao nível de 5% de signifi- cância pelo teste t. Isso indica que há dependência espacial, neste caso de até 8 metros entre as obser- vações adjacentes de ambas variáveis. O crosscorrelograma entre a umidade do solo e a temperatura do solo é apresentado na Figura 17.14, mostrando a forte dependência espacial entre essas variáveis até a distância de 6 metros, em ambas as direções neste caso. Os resultados da aplicação da abordagem de espaço de estados, justificada pelas Figuras 17.13A, 17.13B e 17.14, nos dados z/xJ (trans- formados pela equação 17.12) de umidade 8 e temperatura T do solo são mostrados nas Figu- ras 17.15 e 17.16, respectivamente. Para esse exemplo, a equação 17.11 torna-se: (8)i = 0,8810(8L + 0, 1148Ti_1+ U(8Ji (l7.11a) e Ti = 0,0615(8)i_l + O,9272Ti_l + UTi (l7.11b) ou na forma de matriz: ( 8i) =(0,8810 Ti 0,0615 0,1148) X (8i_1) +(U(8Ji) 0,9272 Ti-l UTi (l7.11c) Nas Figuras 17.15 e 17.16, os valores obser- vados da variável são representados pelo símbo- lo quadrado. Já os valores estimados da variável por meio do modelo de espaço de estados (equa- ções 17.11a e b) são representados pela linha do meio. Os valores estimados mais e menos o des- vio-padrão da estimativa em cada posição i são representados pelas linhas superior e inferior correspondendo à área que o modelo apresentou bom desempenho. Convém salientar que os des- vios-padrão são estimados para cada posição i. Examinando a equação 17.11a, pode-se veri- ficar que a umidade do solo na posição i-1 con- tribui com 88% na estimativa da umidade na posição i, enquanto a temperatura do solo no ponto i-1 contribui somente com 11,5%. Analisando a equação 17.11b, verifica-se que a umidade do solo na posição i-1 contribui com 6,15% na estimativa da temperatura do solo na o !~o-~ ~'-o u '"'"e u Q) "O Q).•... C Q) 'u '"ffi ou 95% significância usando teste "t" = 0,214 ,v 0,8 0,6 0,4- '-'-'-'-'-'-'-'-'-'-'-'-'-'-'-'-'-'-'-'-'-'-0;2= _._.-._._._._._._._._._._.-.-._.-._._._._._._._._.. v~v° -~ -~ -7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 8 9 10._._._._._._._"-._._._._._._._._._._._._._._-.0,2~ _._._._._._._._._._ .•.._...•-._._._._._._._._.- •.. _ .. • • • •• • • Espaçamento entre observações ("Iag") • -0,4-• -e.s- -0,8- , ~ ~~ Figura 17.14. Crosscorrelograma entre a umidade do solo e a temperatura do solo, indicando a forte dependência espacial entre essas variáveis. 1,200 1,000 ~~ "'O o 0,800~oE \I')•...o 0,600.,E "'O \I')C (J)~"'O•... ~ 0,400•...•"'0 ~ ·Eo :::l 0,200õ:i (J) >"'0 0,000 -0,200 Figura 17.15. Análise de espaço de estados aplicada aos dados transformados (equação 17.12) de umidade do solo. I- \I') o0- "'O o<\l \I')E o••.• "'0 ~ eC :::l<\l ••••• •••• <\l•.... •... \I') (J) (J) c,....E .2 (J) <\l ••••• > (J) "'O VARIABILIDADE ESPACIAL E TEMPORAL ... I 387 • medidos - estimados -l-S, -S • • • 10 20 30 40 50 60 70 80 90 100 Pontos da transeção 1,000 0,900 0,800 • 0,700 0,600 0,500 0,400 0,300 0,200 0,100 0,000 -f----,------,-----,--,---...----.------,-----,--,----, • • medidos - estimados +S, -S• o 30 40 50 60 70 Pontos da transeção 10 20 80 90 100 Figura 17.16. Análise de espaço de estados aplicada aos dados transformados (equação 17.12) de tem- peratura do solo. 388 I SOLO, PLANTA E ATMOSFERA posição i, o que significa que a contribuição do primeiro vizinho é maior na caso da temperatu- ra (92,7%) quando comparado ao da umidade do solo (88,1%). As Figuras 17.17A e B mostram a regressão linear entre os valores observados e estimados de umidade do solo (17.17 A) e valores observa- dos e estimados de temperatura do solo (17.17B), 1,000.......• V')o A"'Oes 0,800E oo-'+- o V') VI C o 0,600~"'O....., '-" (]) VI "'Oo «:l"'O "'O 0,400E 'E 'Zi :J VI (])(])"'O 0,200VI(])•...o ~ 0,000 0,000 0,200 R2 = 0,9063 sendo obtidoR2 = 0,9063 para a umidade e 0,9587 para temperatura, ou seja, o modelo teve melhor desempenho nas estimativas da tempe- ratura do solo. É importante ressaltar que nesse exemplo, analisado com um modelo de primeira ordem, poderia também ser analisado com modelos de ordem superior. Hui et al. (1998) usaram um 0,400 1,200 Valores observados (transformados) de umidade do solo .......• 1,000 VI Bo"'O «:lE.2 0,800•...oo VI 'ti oC "'O ~ «:l 0,600....., •... '-"::J V') .....,o «:l"'O •... «:l (]) 0,400E CL._ E....., (]) VI....., (]) (]) :f)"'O 0,200•...o ~ 0,000 0,000 0,200 R2= 0,9587 0,600 0,800 1,000 0,400 1,200 Valores observados (transformados) de temperatura do solo 0,600 0,800 1,000 , Figura 17.17. Regressão linear entre os valores observados e estimados de: (A) Umidade do solo; e (B) Temperatura do solo. modelo de segunda ordem relacionando a taxa de infiltração de água na posição i com a taxa de in- filtração e condutividade elétrica do extrato na posição i-I e com a taxa de infiltração no segundo vizinho i-2. Nesse exemplo foi usado um sistema de duas variáveis (umidade do solo e temperatura do solo), mas poderíamos empregar um sistema relacionando mais variáveis, como conteúdo de argila, densidade do solo, mineralogia, matéria or- gânica e microtopografia da superfície do solo. Esse exemplo (extraído de Dourado et al., 1999), é a primeira aplicação da metodologia de espaço de estados no Brasil usando séries espa- ciais, tendo como objetivo a introdução dessa abordagem na literatura de ciência do solo da América Latina, como ferramenta para melhor entendimento das variáveis do sistema solo- planta-atmosfera. b) Avaliação da relação entre propriedades físicas e químicas do solo Esse segundo exemplo ilustra a aplicação da abordagem de espaço de estados em quatro sé- ries espaciais (umidade do solo 8, matéria orgâ- nica OM, conteúdo de argila CC e estabilidade de agregados AS) coletados ao longo da mesma transeção dos 84 pontos na mesma área experi- mental de cana -de-açúcar. A umidade do solo foi medida como descrito anteriormente, durante a estação seca (6 de setembro de 1999). Para a de- terminação de OM, CC e AS foram coletadas amostras deformadas de solo na faixa de 0-0,15 m de profundidade ao longo da mesma transeção experimental. Após longo período sem chuva, esperava-se que houvesse relação entre a umida- de do solo e as outras variáveis. Da mesma forma como no exemplo anterior, os dados foram trans- formados por meio da equação 17.12 antes da utilização do software ASTSA. A distribuição espacial dos valores de umi- dade do solo ao longo da transecção são mostra- VARIABILIDADE ESPACIAL E TEMPORAL... I 389 dos na Figura 17.18A com coeficiente de variação CV = 13,4%, indicando que a variabilidade dos dados em relação à média é relativamente pe- quena, embora a flutuação ponto a ponto pare- ça ser grande quando comparada à variação total dos dados ao longo da transeção. Embora o efei- to dos tratamentos não seja visualmente perce- bido, pode-se verificar de modo claro tendência de aumento do valor da umidade do solo ao lon- go da transeção. A função de auto correlação, calculada por meio da equação 17.5a, para a umidade do solo é apresentada na Figura 17.18B. Analisando essa figura, verifica-se que há forte estrutura de correlação espacial até 14lags (nesse caso 14 m), ao nível de 5% de probabilidade usando o teste t (equação 17.6), fato esse espe- rado em virtude da tendência espacial nos da- dos (Figura 17.18A). As Figuras 17.19A e 17.19B mostram a distri- buição espacial dos valores de matéria orgânica ao longo da transeção dos 84 pontos e o autocorrelo- grama desses dados, respectivamente. O valor do CV é de 7,8%, ainda que a dependência espacial alcance 10 lags (10 m). Nesse caso, observa-se que os valores de OM manifestam tendência de de- créscimo ao longo da transeção (Figura 17.19A). A variação espacial do conteúdo de argila CC e sua função de auto correlação ACF são mostra- das nas Figuras 17.20A e 17.20B, respectivamente, refletindo também a presença de tendência espa- cial ao longo da transeção. As variações ponto a ponto são também grandes quando comparadas com a variação total de CC ao longo da transeção (CV = 8,7%). Esse comportamento, segundo Wendroth et al. (1998), é mais bem identificado quando são usadas ferramentas estatísticas que consideram as tendências locais de comporta- mento, que não é o caso da estatística clássica. Analisando as Figuras 17.18A,17.19Ae 17.20A, pode-se verificar que a distribuição espacial das observações de umidade do solo, matéria orgâni- 390 I SOLO, PLANTA E ATMOSFERA ca e conteúdo de argila manifestam tendência ao longo da transeção. Essa tendência causa forte de- pendência espacial de cada variável como eviden- ciado pela função de auto correlação nas Figuras 17.18B, 17.19B e 17.20B. As Figuras 17.21A e 17.21B apresentam a variabilidade espacial e a au- to correlação para as observações de estabilidade 0,350 ,-... M 'E 0,300 ME ......., (J:> 0,250 o 'O li') .g 0,200 ai 'O~ 'O 'E ::J 0,150 de agregados ao longo da transeção. Ao contrário das outras três séries de dados, a estabilidade de agregados não tem uma tendência, e manifesta dependência espacial até 3 m (Figura 17.21B). Tradicionalmente, a maioria das investigações agronômicas tem usado técnicas de amostragem ao acaso assumindo que as amostras são indepen- A média = 0,241 5 = 0,032 CV = 13,4% 0,100 -1---,----,------,--,-----,----,----,------,--,----------, Figura 17.18. (A) Distribuição da umidade do solo 8, metro a metro, ao longo dos 84 pontos da transeção, no dia 06/09/1999; (B) Função de autocorrelação ACF para 05 dados de umidade do solo de (A). Sai •... 'O oai ,~.•.... 1> C ~ai-.- aiU •....- •... '+- oai U o ou .•.... ::::l~ o 30 4010 20 50 60 70 80 90 100 Pontos da transeção 1,0 0,8 0,6 0,4 0,2 O, O -+-'''-------------------------''--'''-----------------------''--'''---------------''------- -0,2 -0,4 -0,6 -0,8 -1,0 B 95% significância usando teste "t" = 0,214 1 2 3 4 5 6 7 8 9 1O 11 12 13 14 15 16 17 18 19 20 Espaçamento entre observações ("Iag") 36 34 oo 32V> o-o~ 30~ E.~ c O) 28<1IlO)~'-- '-"'o 2 26III O·C 'Q) 24....,~ 2 22 20 O r-. V Q) '-- -o o Q) llll...., u.. C IIIQ)- .- Q)u '--.- '--'+- o Q) U o oU...., ::l III VARIABILIDADE ESPACIAL E TEMPORAL. .. I 391 média = 27 s = 2,09 CV = 7,8% A 10 20 90 10030 40 50 60 70 80 Pontos da transeção B 1,0 0,8 0,6 0,4 0,2 0,0 ~L-L-~~~-L~~~L-L-~~-L-L~~L-L-~~-L- -0,2 -0,4 -0,6 -0,8 -1,0 95% significância usando teste "t" = 0,214 1 2 3 4 5 6 7 8 9 1O 11 12 13 14 15 16 17 18 19 20 Espaçamento entre observações ("Iag") Figura 17.19. (A) Distribuição da matéria orgânica do solo OM, metro a metro, ao longo dos 84 pontos da transeção; (B) Função de autocorrelação ACF para os dados de matéria orgânica (A). dentes entre si. Dessa forma, as análises de esta- tística clássica são usadas, como análise de variância (ANOVA) e análises de regressão, para descrever as trocas observadas dentro e entre di- ferentes tratamentos. Nos casos em que as obser- vações dentro e entre tratamentos não são inde- pendentes, Nielsen & Alemi (1989) afirmam que o desenho experimental no campo não propicia a aplicação da análise estatística clássica. Nesse estudo, tais análises foram usadas para determi- 392 I SOLO, PLANTA E ATMOSFERA 700 """' Q) 650..>t:. Q)........, u 600u ~ Q) 550•.... ro W \J 500o \J '::::l W•.... 450cou 400 O média = 530 A s = 4,63 CV = 8,7% 10 20 30 40 50 60 70 80 90 100 Pontos da transeção B """' ;:/w •.... \J ow ,ro•....u. c row-.- wu •.....- •.... '+- oW uo ou •.... ::::l ro 1,0 0,8 0,6 0,4 0,2O,O~~~~~~~~~~~~~~~~~~~~L- -0,2 -0,4 -0,6 -0,8 -1,0 95% significância usando teste "t" = 0,214 1 2 3 4 5 6 7 8 9 1O 11 12 13 14 15 16 17 18 19 20 Espaçamento entre observações ("Iag") Figura 17.20. (A) Distribuição do conteúdo de argila CC, metro a metro, ao longo dos 84 pontos da transeção; (B) Função de autocorrelação ACF para os dados de conteúdo de argila (A). nar como os dados de umidade do solo medidos ao longo da transeção são descritos pelas equa- ções clássicas de regressão. Devido à tendência de comportamento ao longo do espaço de três das quatro séries estu- dadas, espera-se que as variáveis sejam relacio- nadas entre si. Não levando em consideração as posições das observações, não mais do que 55% da variância da umidade do solo são explicados pela análise de regressão linear e múltipla usando qualquer combinação das séries observadas. No Quadro 17.2 pode-se notar que o melhor resul- - -- ----- Figura 17.21. (A) Distribuição dos dados de estabilidade de agregados AS, metro a metro, ao longo dos 84 pontos da transeção; (B) Função de autocorrelação ACF para os dados de estabilidade de agregados (A). Quadro 17.2. Regressão linear e múltipla usando as quatro séries de observações. '"' 3,0E b 2,8.-'-" Vl 2,6« V"> 2,4o lJ CIl 2,2O) ClJ•... O) 2,0CIl ClJ lJ 1,8 ClJ lJ 1,6CIl:Q .s 1,4 CIl.•... V"> 1,2u.J O '"'v ClJ •••• lJ o ClJ ICIl.•..• u.. C CIl ClJ- .- ClJU •....- •... - oClJ uo ou .•... ::J CIl VARIABILIDADE ESPACIAL E TEMPORAL... I 393 média = 2,2 s = 0,32 CV= 14,6% A 10 50 90 10020 30 40 60 70 80 Pontos da transeção 1,0 0,8 0,6 0,4 0,2 0,0 ~L-L-~-L~~L-~~~~L-L-JL-L~-'r-~~~~~~ -0,2 -0,4 -0,6 -0,8 -1,0 B 95% significância usando teste "t" = 0,214 1 2 3 4 5 6 7 8 9 1O 11 12 13 14 15 16 17 18 19 20 Espaçamento entre observações ("Iag") Equação Regressão Múltipla e = - 0,073 - O,00128*OM + 0,000591 *CC + O,0150*AS e = - 0,096 - O,000322*OM + O,000645*CC e = 0,397 - O,00942*OM + O,0448*AS e = - 0,124 + O,000632*CC + 0,0122* AS Regressão Linear 0,544 0,534 0,321 0,542 e = 0,474 - O,0087*OM e = - 0,109 + O,000655*CC e = 0,159 + O,375*AS 0,205 0,534 0,082 394 I SOLO, PLANTA E ATMOSFERA tado da regressão foi obtido usando as séries de matéria orgânica, conteúdo de argila e estabili- dade de agregados, e o pior é obtido usando ape- nas estabilidade de agregados. Empregando conteúdo de argila e estabilidade de agregados foi obtido um coeficiente de determinação (R2) próximo àquele em que se usa as três séries como variáveis dependentes. Essas análises clássicas de regressão são basea- das nas hipóteses de que cada série manifesta uma média constante ao longo da transeção e ignora a crosscorrelação espacial local na transeção. Pelo fato de as observações de ASmanifestarem apenas uma autocorrelação espacial local e não apresen- tarem tendência de correlação com as outras sé- ries, foi encontrado o menor valor de R2. Para verificar que o uso da análise de séries temporais conduz a uma informação adicional sobre a variabilidade espacial das propriedades do solo e, junto com a análise de estatística clássica (média, desvio-padrão e coeficiente de variação) propicia melhor manejo do solo e o uso dos re- cursos naturais mais prudentemente, prosseguiu- se com o estudo calculando a estrutura espacial de correlação entre as séries por meio de cross- correlogramas (equação 17.7). Os crosscorrelo- gramas apresentados nas Figuras 17.22A e 17.22B mostram a forte dependência espacial entre a umidade do solo e a matéria orgânica e conteúdo de argila, respectivamente, do que entre a umi- dade do solo e a estabilidade de agregados (Figu- ra 17.22C). Com tais magnitudes para as funções de crosscorrelação é reconhecido o potencial para descrever as distribuições das séries ao longo da transeção usando a análise de espaço de estados. Inicialmente, na presença das tendências notadas anteriormente, foi avaliado quão bem a aplica- ção da análise de séries temporais pode descrever a série de umidade do solo usando várias com- binações entre as séries de OM, CC e AS. Cada série foi transformada por meio da equação 17.12. A Figura 17.23A apresenta a análise de es- paço de estados aplicada a 8, OM, CC e AS com o símbolo quadrado representando os valores medidos de umidade do solo. A linha do meio representa os valores estimados de 8 usando a equação de estado. As linhas superior e inferior representam os limites de confiança consideran- do mais ou menos dois desvios-padrão, respec- tivamente. Pode-se verificar, a partir da equação de estado na figura, que a umidade do solo na posição i-I contribui com aproximadamente Quadro 17.3. Equações de espaço de estados de umidade do solo (Figura 17.18A) usando os dados de matéria orgânica do solo (Figura 17.19A), conteúdo de argila (17.20A) e estabilidade de agregados (17.21 A), e valores do coeficiente de regressão linear R2 entre os valores estimados e medidos de 8. Todas as observações foram transformadas usando a equação 17.12. Equação R2 8, = 0,914*8'_1 + O,070*OM'_1 + 0,058*(('_1 - 0,024*AS,., + u, 8, = 0,882*8'_1 + O,057*OM'_1 + 0,080*(('_1 + u, 8, = 0,971 *8'_1+ 0,061 *OM '-1 O,014*AS '-1+ u, 8, = 0,768*8'_1 + 0,146*(('_1 O,096*AS'-1 + u, 8, = 0,961 *8'-1+ O,053*OM '-1+ u, 8, = 0,900*8'-1 + 0,100*(('_1 + u, 8, = 0,924*8'_1 + O,083*AS'_1+ u, 0,797 0,836 0,803 0,907 0,854 0,887 0,882 Figura 17.22. Crosscorrelogramas entre: (A) Umidade do solo e a matéria orgânica; (B) Umidade do solo e conteúdo de argila; e (C) Umidade do solo e estabilidade de agregados. VARIABILIDADE ESPACIAL ETEMPORAL. .. I 395 A 0,8- 0,6-o 1C1lu.. CIl ~ou VI ~ nn b _ O -9 -8 -7 -6 --'5 --4 -3 -2 _l'v 1 2 3 4 5 6 7 ~ ~ O ~ ---- •. ~0,,2---:--------------------------------.---- .• -----I!I------------------- Q) • ••••• • • •c • -e,4- • Q) 'u 'to u 95% significânciausando teste "t" = 0,214 0,4- ---------------------------------------------------------(t,-2- --------------------------------------------------.------------- -0,6 -0,8- ,v Espaçamento entre observações ("Iag") • ,v B ~,8----l •••• ••• •• • •• 0,6- •o1C1lu.. CIl ~o u VI VI nn g - O~9 ~8 -'7 -6 -5 -4 -3 -2 ~,v 1 2 3 4 5 6 ;, 8 9 O ~ -------------------------------------------------------~0-,2_--:-:: ---------------------------------------------------------------- s c Q) 'u ~o U • • • 95% significânciausando teste "t" = 0,214 0,4- ---------------------------------------------------------(t,-2- --------------------.------------------------------------------- -0,4- -0,6- -0,8- ,v Espaçamento entre observações ("Iag") ,v c 0,8- 0,6- 95% significânciausando teste "t" = 0,214 ~,4-• •• •• ••• •• •----..-------------------.------------------------------e--1-- -------------&------------.------------------------------------- • ,L • o 1C1lu.. CIl ~o u VI VI nne ~,v ~ - O-9 -8 -7 -6 -5 --4 -3 -2 -1 1 2 3 4 5 6 7 8 9 O 'O -------------------------------------------------------=0-,2--:-:: -----------------------------------------------~---------------- Q).•... c Q)·U ~o U -0,4- -0,6- -0,8- ,v Espaçamento entre observações ("Iag") o 396 I SOLO, PLANTA E ATMOSFERA (9); = 0,9141 * (9);-1 + 0,0702 * (OM);_l + 0,0584 * (CC);-l -0,0235 * (ASL + u(O); o 1,200 "O V> o 1,000-o Q) -o 0,800~-o "E 0,600:::l Q) -o V> 0,400o-o~ E 0,200'-o'+-V> C 0,000~'-•... V> -0,200Q)'-o ~ -0,400 o o o o medidos A o o Pontos da transeção 1,000 <:P 0,800 Q) -o B,......, V>o 0,600-o~ E o'+- 0,400V>c~'-•.........., V>o-o~ E".;:; V> Q) V> Q) '-o ~ -0,400 (9) est = 0,7781 * (9) med + 0,1108 R2 = 0,7972 8 o o o o o o Valores medidos (transformados) de 8 Figura 17.23. (A) Análise de espaço deestados aplicada à umidade do solo na posição i como função da umidade do solo, de matéria orgânica do solo, de conteúdo de argila e de estabilidade de agregados na posição i-1 (séries transformadas usando a equação 17.12); (B) Correlação entre os valores transformados estimados e medidos de umidade do solo de (A)" 91% na estimativa da umidade no ponto i, en- quanto OM, CC e AS na posição i-I contribu- em com 7, 6 e 2,4%, respectivamente. A Figura 17.23B indica que esse modelo de espaço de es- tados usando todas as quatro séries descreve a umidade do solo (R2 = 0,797) melhor do que o equivalente usando a equação de regressão múl- tipla (R2 = 0,544). o o VARIABILIDADE ESPACIAL E TEMPORAL ... I 397 (8); = 0,8816 * (8)i-l + 0,0572 * (OM)...1 + 0,0798 * (CCL + U(e); o 1,200 Õ AV> o 1,000-a Q) -a 0,800ro-a ·E 0,600:::J Q) -a V> 0,400o-a ro E 0,200•... o '"+-V> 0,000cro•... +"' V> -0,200Q)•... o ~ -0,400 o o medidos Pontos da transeção 1,000 (8) est = 0,7785 * (8) med + 0,1220 R2 = 0,836 '"V>o-a ro E•....g cro~•... +"''-' V>o-a ro E..;:; V> Q) V> Q)•... o ~ 0,800 B o o 0,600 o 0,400 o As Figuras 17.24A e 17.24B apresentam a aná- lise de espaço de estados aplicada à umidade do solo sem a série de estabilidade de agregados. Comparando com os gráficos na Figura 17.23, a contribuição da umidade do solo na posição i-I é menor, os limites de confiança são maiores e R2 é maior (0,836). Valores medidos (transformados) de 8 -0,400 Figura 17.24. (A) Análise de espaço de estados aplicada à umidade do solo na posição i como função da umidade do solo, de matéria orgânica do solo e de conteúdo de argila na posição i-1 (séries transforma- das usando a equação 17.12); (B) Correlação entre os valores transformados estimados e medidos de umidade do solo de (A). 0,060 0,040 0,020 O,000 +---+li+-rl++---I-*-JI---+++I--M-+-+If-IT-\+-----.--1---...---+lr--+l.-J-1.-----I~_\_~~~ -0,020 -0,040 398 I SOLO, PLANTA E ATMOSFERA c> 'E 0,080 A <:r> o Õ V'> V'>g -0,060 ::g :D -0,080 o:: Pontos da transeção ,-... 1,0 Bç; L- 0,8 o <til 0,6u. til <ii 0,4 L- L- o 0,2uo....., 0,0:J til Q) -0,2"O Q) -0,4....., c Q) -0,6·u '+= -0,8Q)ou -1,0 da transeção foram as mais importantes variações relacionadas à distribuição espacial de 8. As tendências espaciais (notadas nas Figuras 17.18A, 17.19A e 17.20A) foram removidas utili- zando regressão polinomial de segunda ordem em cada uma das séries. Subtraindo essas tendên- cias de cada respectiva série de observações, fo- ram obtidos os resíduos ao longo da transeção (Figuras 17.25A, 17.26Ae 17.27A).As funções de auto correlação desses resíduos (Figuras 17.25B, 17.26B e 17.27B) revelam que a dependência es- 95% significância usando teste "t" = 0,214 Espaçamento entre observações ("Iag") Figura 17.25. (A)Distribuição dos resíduos de umidade do solo, metro a metro, ao longo dos 84 pontos da transeção; (B) Função de autocorrelação ACFpara os resíduos de umidade do solo (A) . o Quadro 17.3 mostra que as equações de espaço de estados descrevem a umidade do solo melhor do qlle qualquer equivalente equação de regressão clássica (Quadro 17.2). Examinando os resultados do Quadro 17.3, verifica-se que a melhor performance de todas as equações de espaço de estados foi usando o con- teúdo de argila e a estabilidade de agregados. Para essa equação, a contribuição da umidade do solo na posição i-I foi a menor e R2 foi o maior, ou seja, as variações locais e regionais de CC eAS ao longo f""' E 4,000 0'1 A..::t:. 3,000'-' ~ O 2,000 C\J .~ 1,000c <C\J 0'1•... 0,000o C\J '':;: -1,000'Q)...., C\J E -2,000 Q) "O VI -3,000o :::l ~ -4,000 Pontos da transeção VI Q) o:: VARIABILIDADE ESPACIAL E TEMPORAL ... I 399 B 1,0 0,8 0,6 0,4 0,2 O,O~L-L-~JL-L~-.r-L-~or-r-'-.r-~~or~~~~'- -0,2 -0,4 -0,6 -0,8 -1,0 95% significância usando teste "t"= 0,214 pacial ao longo da transeção persiste no mínimo de 2 lags após retirada a tendência, isto é, as ob- servações ainda estão relacionadas às observações adjacentes. Análises adicionais não revelaram crosscor- relações espaciais entre as séries após a remoção da tendência nas séries de umidade do solo, ma- téria orgânica e conteúdo de argila. Os resultados apresentados nos Quadros 17.2 e 17.3 revelaram que as variações espaciais de OM, 2 3 4 5 6 7 8 9 10 Espaçamento entre observações ("Iag") Figura 17.26. (A)Distribuição dos resíduos de matéria orgânica do solo, metro a metro, ao longo dos 84 pontos da transeção; (B) Função de autocorrelação ACFpara os resíduos de matéria orgânica do solo (A). CC e AS são significativamente relacionadas às variações de e ao longo da transeção. Devido ao fato dessas equações de espaço de estados serem empíricas, sabe-se que as variações espaciais das séries são relacionadas entre si, mas temos de identificar o porquê de elas serem relacionadas, i.e., como as leis físicas e químicas podem ser in- corporadas nas equações de espaço de estados permitindo seleção mais rigorosa das variáveis de entrada, fornecendo explicação mais realística das 400 I SOLO, PLANTA E ATMOSFERA r-., 01.::.! 80 A 01'--" u 60u ~ 4001 L.. o::s Q) 20"'O o "'O O':::l Q).•.... c -20ou Q) "'O -40 V) o :::l ~ -60 V) Q) o:: Pontos da transeção 1,0 0,8 0,6 0,4 0,2 0,0 ~L-L-~~-1~~L-~~~~~L-~~~~~~~~~ -0,2 -0,4 -0,6 -0,8 -1,0 B Espaçamento entre observações ("Iag") Figura 17.27. (A) Distribuição dos resíduos de conteúdo de argila, metro a metro, ao longo dos 84 pontos da transeção; (B) Função de autocorrelação ACFpara os resíduos de conteúdo de argila (A). conteúdo de fósforo P (Figura 17.29A), cálcio Ca (Figura 17.30A), magnésio Mg (Figura 17.31A) e com propriedades físicas - conteúdo de argila CC (Figura 17.20A) e estabilidade de agregados AS (Figura 17.21A). Com o objetivo de avaliar a es- trutura de correlação espacial das observações, ou seja, se elas foram monitoradas em uma distância suficiente para identificar sua representatividade espacial, foi calculada a função de autocorrela- ção ACF de NCS (Figura 17.28B), P (Figura 17.29B), Ca (Figura 17.30B) eMg (Figura 17.31B). variações locais e regionais dos processos que ocorrem ao nível de campo. c) Avaliação do Sistema Solo-Planta Esse terceiro exemplo ilustra a aplicação da metodologia de espaço de estados para avaliar o mesmo sistema solo-planta descrito anterior- mente, usando seis variáveis medidas ao longo dos 84 pontos da transeção. O número de colmos NCS por metro de linha de cana (Figura 17.28A) é re- lacionado com propriedades químicas do solo - 70 E 60---V1 Uz 50 VIo E "O 40 v (l) lJ 30o I- (l) E 20'::J Z 10 O A média = 37 s = 9,18 CV= 24,6% VARIABILIDADE ESPACIAL E TEMPORAL. .. I 401 ..--. 1,0 '='I- 0,8 o "1;l 0,6U. C1;l Q) 0,4 I- I- o 0,2vo.•..... 0,0::J C1;l (l) -0,2lJ (l) -0,4.•..... c (l) -0,6·u '+= -0,8(l)ou -1,0 10 20 30 Pontos da transeção B 95% significância usando teste "t"= 0,214 40 50 60 70 80 90 100 .J._._~._.}_._1._..?_._.~._.L._.ª._._9_._tO_.J.l._1)_.J.}_.l1.J~_.l~.Jl_.!ª.JJ_.lº Espaçamento entre observações ("Iag") Usando o teste t (equação 17.6) ao nível de 5% de probabilidade, verifica-se que a estrutura de auto correlação de NCS é de 10 lags (Figura 17.28B) associada com sua tendência espacial mostrada na Figura 17.28A. Já as Figuras 17.29B, 17.30B e 17.31B mostram que a dependência es- pacial das observações adjacentes de P, Ca e Mg é significativa até 6lags (6 m nesse estudo). Os au- tocorrelogramas das observações de CC eAS po- dem ser encontrados nas Figuras 17.20B e 17.21B. Figura 17.28. (A)Distribuição do número de colmos NCS por metro de linha de cana, metro a metro, ao longo dos 84 pontos da transeção;
Compartilhar