MINISTÉRIO DA EDUCAÇÃO

UNIVERSIDADE FEDERAL DO PARANÁ

PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
COORDENADORIA DE INICIAÇÃO CIENTÍFICA E INTEGRAÇÃO ACADÊMICA
PROGRAMA DE INICIAÇÃO CIENTÍFICA E EM DESENVOLVIMENTO
TECNOLÓGICO E INOVAÇÃO

FÁBIO DA SILVA ROSA

RELATÓRIO FINAL

INICIAÇÃO CIENTÍFICA:
PIBIC CNPq ( ), PIBIC CNPq Ações Afirmativas ( ), PIBIC UFPR TN ( ), PIBIC Fundação
Araucária ( ), PIBIC Voluntária ( X ), Jovens Talentos ( ), PIBIC EM ( ).

INICIAÇÃO EM DESENVOLVIMENTO TECNOLÓGICO E INOVAÇÃO:

PIBITI CNPq ( ), PIBITI UFPR TN ( ), PIBITI Funttel ou PIBITI Voluntária ( ).

(Período no qual esteve vinculado ao Programa 08/2020 a 07/2021)

MAPEAMENTO DA VARIABILIDADE DA PRODUTIVIDADE DA LAVOURA DE

SOJA

Relatório final apresentado à

Coordenadoria de Iniciação
Científica e Integração Acadêmica
da Universidade Federal do
Paraná - Edital 2020/2021.

Orientador: Prof. Dr. Marcelo José da Silva / Campus de Jandaia do Sul

Aplicação de fertilizante líquido nitrogenado: otimização da tecnologia e efeitos na

lavoura de milho / 2017028337

JANDAIA DO SUL
(2021)
 1. RESUMO

Tendo em vista que nas lavouras de soja é comum uma variabilidade espacial
de produtividade, uma investigação para a localização espacial dessa variabilidade é
conveniente. O conhecimento sobre a variabilidade (produtividade, características de
solo, relevo) pode fundamentar um manejo localizado. Dessa forma, em hipótese que
existe uma variabilidade espacial comum na produtividade das lavouras de soja, o
objetivo do trabalho foi realizar mapeamento dessa variabilidade, para desse modo,
orientar ações que identifiquem as causas da variação. Neste contexto, o experimento
foi desenvolvido em três lavouras de soja em municípios diferentes do estado do
Paraná, sendo eles: Godoy Moreira, São Pedro Do Ivaí e Borrazópolis. As avaliações
foram realizadas durante a safra 2020/2021. Os mapas de produtividade foram
gerados pelo método de interpolação utilizado o software QGIS. Inicialmente foi
realizada uma delimitação das áreas de estudo, distribuindo uma malha de 44 pontos
aleatórios, para serem usados na coleta de produtividade em campo. A navegação
em campo foi realizada por um receptor GNSS de celular em conjunto com o aplicativo
QFIELD. Com os dados de produtividade dos 44 pontos foi possível fazer a
interpolação do mapa de produtividade de cada área. O método de interpolação
adotado foi a interpolação por krigagem utilizando o software QGIS em conjunto com
o plugin Smartmap. Após a interpolação dos mapas foi possível verificar a
produtividade ao longo da lavoura. Assim os pontos de menores e maiores
produtividades representados nos mapas foram comparados com a situação em
campo, confirmando assim a veracidade das informações do mapa. O mapeamento
da variabilidade da produtividade se mostrou uma importante ferramenta para localizar
espacialmente a condição geral para lavoura de soja, ademais, possibilita
investigações mais aprofundadas sobre a causa da variabilidade, um primeiro passo
ao manejo localizado, ou então, a criação de zonas de manejo.

Palavras-chave: mapa de produtividade, interpolação por krigagem, QGIS.

 2. INTRODUÇÃO

Ultimamente o setor agrícola tem apresentado cada dia mais o uso de

ferramentas de agricultura de precisão, uma ferramenta que se torna essencial
quando se tem como objetivo o manejo racional do solo, evitando assim a degradação
de seus atributos físicos e químicos, uma ferramenta que também busca uma máxima
produtividade com o mínimo de investimento possível.
Agricultura de precisão é um conjunto de tecnologias e procedimentos
utilizados para que as lavouras e os sistemas de produção sejam otimizados, tendo
como base o gerenciamento da variabilidade espacial da produção, aplicação de
insumos com taxa variável e localizada (LOVERA et al. 2015).
Os mapas de variabilidade espacial da produtividade são gerados a partir de
dados de produtividade amostrados em campo utilizando técnicas de geoestatística.
A partir desses dados é possível estudar a variabilidade presente na lavoura pelo
método de interpolação utilizando-se ferramentas computacionais que nos permite ter
uma visão gráfica dessa variabilidade.
O objetivo desse trabalho foi fazer o mapeamento da variabilidade da
produtividade em três lavouras de soja no estado do Paraná utilizando ferramentas de
agricultura de precisão. Para tanto, o monitoramento foi realizado em propriedades
localizadas nos municípios de São Pedro do Ivaí, Godoy Moreira e Borrazópolis. O
método para gerar os mapas foi a interpolação por krigagem através do software QGIS
em conjunto com o plugin smartmap.

3. REVISÃO DE LITERATURA

3.1. CULTURA DA SOJA NO BRASIL

Atualmente a soja é umas das culturas mais importantes para a economia do

Brasil, seus grãos são usados para produção de óleo vegetal, ração animal, indústria
química e de alimentos. A soja também vem sendo usada em grande escala como
fonte alternativa de biocombustível (FREITAS, 2011).
Tendo em vista a importância econômica da soja, cada vez mais programas de
melhoramento genético vêm sendo criados para possibilitar o avanço da cultura para
regiões de baixa latitude, apresentando estabilidade e adaptabilidade. Ao longo dos
anos, a produção brasileira de soja vem apresentando melhorias, impulsionada não
somente pelo aumento de área semeada, mas também pela aplicação de técnicas de
manejo avançado que permitiram o incremento na produtividade, passando de 1369,4
kg ha-1 na safra 1985/86 para 2927 kg ha-1 na safra 2009/10, correspondendo um
aumento de 114,77% em 24 anos (FREITAS, 2011).

3.2. VARIABILIDADE ESPACIAL DE PRODUTIVIDADE

Um bom manejo pode conduzir a uma melhoria da qualidade do solo agrícola,

proporcionando maior potencial produtivo, em contra partida, um manejo inadequado
pode conduzir a um processo de regressão da qualidade do solo, podendo até
alcançar a degradação que se expressa por produtividades menores (AMADO et al.
2007). Neste contexto, o gerenciamento localizado das atividades agrícolas através
da agricultura de precisão pode viabilizar intervenções localizadas no cultivo, com a
exatidão e a precisão adequadas (FRASSON; MOLIN, 2006).
Os mapas de variabilidade espacial da produtividade podem ser gerados a
partir de diferentes métodos, um exemplo é através de sensores embarcados nas
colhedoras, que medem a produtividade pelo fluxo de massa e posicionamento
espacial (FRASSON; MOLIN, 2006). Um outro método pode ser realizado pela coleta
de amostras em campo levando em consideração pontos de coleta georreferenciados
por meio de ferramentas de geoestatística com auxílio de receptores GNSS.

3.3. SOFWARE QGIS

O QGIS é um software livre de código-fonte aberto, multiplataforma de sistema

de informação geográfica (SIG). O termo SIG é aplicado para sistemas que realizam
o tratamento computacional de dados geográficos e que recuperam informações não
apenas com base em suas características alfanuméricas, mas também através de sua
localização espacial (AVELINO, 2004). Esses softwares permitem aos usuários a
visualização, edição e análise de dados georreferenciados, como criar mapas com
várias camadas usando diferentes projeções de mapa, permitindo compor mapas a
partir de camadas raster e vetoriais.
 4. MATERIAL E MÉTODOS

4.1. Área de estudo

O experimento foi desenvolvido em três lavouras em municípios diferentes do
estado do Paraná (figura 1), sendo: uma área agrícola em Godoy Moreira, com altitude
média de 370m clima subtropical e solo argiloso, com um talhão de 3 ha; uma área
agrícola em São Pedro do Ivaí (área de 4,8 ha), altitude de 338 m, clima subtropical,
solo argiloso; e uma outra área em Borrazópolis com altitude de 360 m, clima
subtropical, solo argiloso em um talhão avaliado de 2,17 ha.

FIGURA 1. Localização das áreas de avaliação da variabilidade da lavoura de soja.

 O período de avaliação foi realizado durante a safra de soja 2020/2021; na onde
as lavouras foram semeadas em outubro, a cultura antecessora das três áreas foi o
milho safrinha. Antes da semeadura da soja foi realizado um preparo de solo com
duas operações de gradagem na área de Godoy Moreira; nas demais áreas não foi
realizado nenhuma operação mecânica de pré-semeadura. A cultivar implantada na
área de Godoy Moreira foi a COMPACTA 65165 RSF – BRASMAX, utilizando um
trator John Deere 5055 E 4x4 de 55 cv, tracionando uma semeadora Vence Tudo SA
17700 de 7 linhas. A semeadora foi ajustada para uma população de 12,5 sementes
por metro linear, com dosagem de fertilizante regulada em 290 kg ha-1, e espaçamento
entre linhas de 0,45m. No talhão de São Pedro do Ivaí foi utilizado uma semeadora
Kuhn Metasa de 9 linhas, com espaçamento entre linha de 0,45m, tracionada por um
John Deere 7515 4x4 de 150 cv de potência. A cultivar implantada na lavoura foi a
3680 IPRO – AGROESTE. A semeadora foi ajustada com 12 sementes por metro
linear, aplicando 206 kg ha-1 de fertilizantes. Já no talhão de Borrazópolis, o conjunto
trator semeadora utilizado foi o LS Plus 90 4x4 com potência de 90 cv, e uma
semeadora Netz PDN 7000 de 9 linhas, com espaçamento entre linhas de 0,45m. A
cultivar implantada na lavoura foi a PIRAPÓ 64HO114 IPRO. A semeadora também
foi ajustada para deposição de 12 sementes por metro linear e 206 kg ha-1 de
fertilizante. As cultivares implantadas nas lavouras experimentais dispõe da tecnologia
intacta, isso significa que são resistentes as principais espécies de lagartas que
atacam a soja.

4.2 O projeto no QGIS

A princípio a ferramenta matemática utilizada para confeccionar os mapas de

produtividade através do QGIS foi a interpolação. A interpolação é um método de
aproximação de valores a partir de um conjunto discreto de dados pontuais
previamente conhecidos, dessa forma os dados necessários para fazer a interpolação
neste presente estudo seriam dados pontuais de produtividade coletados em campo.
Nesse sentido foi necessário criar um mapa para cada uma das áreas de estudo
contendo uma malha de pontos georreferenciados, para que dessa forma a
localização dos pontos de amostra de produtividade fossem reconhecidos em campo
com o auxílio de um receptor GNSS. Assim para facilitar a compreensão do mapa de
navegação criado no QGIS foram utilizadas as seguintes etapas listadas na (figura 2):
 OBTENÇÃO DE
DELIMITAÇÃO DA ÁREA MALHA DE PONTOS
IMAGENS DE SÁTELITE

FIGURA 2. Etapas do estabelecimento dos pontos de amostragem.

4.2.1. Obtenção das imagens de satélite

No QGIS as imagens de satélite de alta resolução das áreas de interesse foram

obtidas com a instalação do complemento “QuickMapServices”, um pacote de
provedores de imagens de satélite recentes, como bing e google. O provedor
escolhido para obter as imagens foi o da GoogleSatellite, no qual demonstrou imagens
mais atualizadas das áreas de interesse. Após a escolha das imagens de satélite foi
necessário fazer a localização das áreas de estudo, para isso foi preciso definir a
projeção da área de trabalho do QGIS para o sistema de coordenas SIRGAS 2000 /
UTM zone 22S, na sequencia foi realizado a busca das coordenadas no campo
“coordenada” na “barra de estado”. A partir da busca, a visualização da área na
imagem foi possível com a mudança de escala para 1:5000.

4.2.2. Delimitação das áreas de estudo

Após a localização das áreas de estudo foi criado um polígono para cada uma
delas de forma a representar sua localização no mapa (figura 3), para isso foi criado
uma nova camada no formato de arquivo “shapefile” (shp), onde também foi definido
um sistema de coordenadas “SIRGAS 2000 / UTM zone 22S”. Na nova camada foi
delimitado o polígono, seguindo as linhas de contorno da imagem da área de estudo.
FIGURA 3: Contorno da área de Godoy Moreira.

Para medir o tamanho da área dos polígonos foi utilizado ferramenta

calculadora de campo, através da função geométrica $area, na onde a mesma retorta
a área da feição da qual está editando.

4.2.3. Geração da malha de pontos

A definição dos pontos de amostragem de produtividade em campo (figura 4)

foi realizada pela criação de uma malha regular de 44 pontos sobre a área delimitada,
tendo em vista que quanto maior o número de amostras maior são as chances de
detectar uma variabilidade. A malha foi criada através da ferramenta “pontos
regulares”, ferramenta que cria uma camada com um determinado número de pontos
regulares. Uma identificação (id) foi criada para cada um dos pontos, determinado
pela numeração de 1 a 44. A visualização dos pontos no mapa foi acessada através
do menu “propriedades da camada”.
FIGURA 4. Malha de pontos da área de São Pedro.

4.3 AMOSTRAGEM

As amostras de produtividade foram coletas durante o estádio de

desenvolvimento R8, quando cerca de 95% das vagens das plantas estão maduras.
O método utilizado para calcular a produtividade em cada um dos pontos de
amostragem foi através de uma função linear que representa a produtividade em
função da biomassa seca das plantas.
Assim nos 44 pontos, as biomassas das plantas no estágio de colheita foram
coletadas em uma área de 2 m2; na sequência foram pesadas com o auxílio de uma
balança manual. A navegação em campo foi realizada pelo aplicativo QFIELD
(aplicativo Android instalado em um dispositivo smartphone) através de uma extensão
de um arquivo exportado pelo QGIS. Através do aplicativo foi possível utilizar o
sistema de localização GNSS integrado no aparelho celular para fazer a navegação
entre os pontos georreferenciado (figura 5).
A função para determinar a produtividade foi calculada a partir da amostragem
de seis dos 44 pontos distribuídos pela lavoura, dessa maneira as plantas desses seis
pontos além de coletadas foram armazenadas para a secagem natural. Após a
secagem foi realizado a debulha e a medição da massa de grãos (produtividade).
Os dados amostrais foram exportados para software excel da Microsoft, na
onde foi realizado calibração da função de produtividade pelo método de regressão
linear. Após determinar a função, foi realizado o cálculo de produtividade dos 44
pontos em função da biomassa seca das plantas.

FIGURA 5. Aplicativo QFIELD.

Após a determinar a produtividade de cada ponto uma tabela foi criada no excel,
onde foi declarado o id de cada ponto com suas coordenadas e suas respectivas
produtividades. No QGIS as coordenadas de cada ponto foram obtidas com a
ferramenta calculadora de campo onde foi utilizado a função $x que retorna a
coordenada x de cada ponto, e a função $y que é o retorno da coordenada y. As
tabelas de cada área criada no excel foram exportadas para o QGIS em forma de uma
nova camada (SHP), essa camada foi criada através da ferramenta “adicionar camada
de texto delimitado” na onde foi preciso definir os campos de coordenadas presente
na tabela e o sistema de projeção, que nesse caso é “SIRGAS 2000 / UTM zone 22S”.
FIGURA 6: Criando nova camada com o atributo de produtividade.

4.4 INTERPOLAÇÃO POR KRIGAGEM NO QGIS

O mapeamento da variabilidade espacial da produtividade da soja foi realizado

pelo método de interpolação por krigagem, também realizado pelo software QGIS
através da instalação do “plugin SmartMap”.
Para fazer a interpolação das áreas de estudo no plugin SmartMap foi
selecionado a camada com os atributos de produtividade, na interpolação foi definido
um pixel de 1m2 de área, para dar uma melhor resolução nos mapas interpolados,
posteriormente o semivariograma foi ajustado de forma a obter a melhor validação
cruzada.

FIGURA 7: Definição do semivariograma.

5 RESULTADOS

Na figura 8 são apresentados os resultados da regressão linear aplicados para

a estimativa de produtividade em função da biomassa coletada nos pontos amostrais.
Alguns dos seis pontos amostrais foram removidos por apresentarem valores
discrepantes (um ou dois pontos), para que dessa forma fosse possível obter um
melhor ajuste da função linear. O nível de qualidade estimativa foi avaliado pelo
coeficiente de determinação (R2). Entre as três áreas de estudo, o coeficiente de
determinação para a regressão linear esteve em uma faixa de 0,87 a 0,95, sendo
considerado satisfatório, uma vez que um ajuste linear mais próximo de 1,0, significa
um menor desvio (erro) da estimativa realizada pela equação.

A
4700
Produtividade (kg ha-1)

4200

3700

3200 y = 979,73x + 1542

R² = 0,9032

2700
1,7 1,9 2,1 2,3 2,5 2,7
Biomassa seca (kg)

B
5600
Produtividade (kg ha-1)

5200

4800

y = 1093x + 2406
4400
R² = 0,8713

4000
1,8 2 2,2 2,4 2,6
Biomassa seca (kg)
 C
4550

4200

Produtividade (kg ha-1)

3850

3500

3150 y = 1740,4x + 230,19

R² = 0,9573
2800
1,5 1,7 1,9 2,1 2,3
Biomassa Seca (kg)

FIGURA 8: Regressão linear das lavouras de soja em Godoy Moreira (A); Borrazópolis
(B); São Pedro do Ivaí (C).

Na Tabela 1 podemos observar os resultados de produtividade determinados a

partir do levantamento realizado nas amostragens georreferênciadas. A lavoura de
estudo em São Pedro apresentou uma produtividade média de 4024 kg ha-1, o
coeficiente de variação dessa área foi de 16%, correspondendo a área de estudo com
a maior variabilidade espacial de produtividade. A área monitorada em Borrazópolis
apresentou a maior média de produtividade (4646 kg ha-1), e o menor coeficiente de
variação (7,7%). A área de Godoy registrou a menor média de produtividade (3352 kg
ha-1), com coeficiente de variação de 12%.
Embora a safra 2020/2021 no Paraná tenha sofrido uma baixa de 9,9% em
relação à safra passada, devido a distribuição irregular de chuvas (CONAB, 2021) as
lavouras avaliadas em Borrazópolis e São Pedro apresentaram uma produção acima
da média do estado, no qual ficou em 3535 kg ha-1. A lavoura de Godoy Moreira teve
a produtividade um pouco abaixo dessa média.
A variabilidade da produtividade em uma lavoura de soja é considera moderada
se apresentar um coeficiente de variação entre 8 a 29%, de acordo com FRASSON e
MOLIN (2006); neste estudo em Campos Novos Paulista (SP), os autores obtiveram
um coeficiente de variação de 14,6% na produtividade de uma lavoura de soja. Sendo
assim, as lavouras de São Pedro e Godoy Moreira apresentaram uma variabilidade
moderada de acordo com seu coeficiente de variação de 16% e 12%,
respectivamente. A lavoura de Borrazópolis apresentou um coeficiente de variação de
7,7%, representado uma variabilidade baixa.

TABELA 1: Estatística descritiva do levantamento da produtividade de soja.

Localização Mínimo Máximo Média Desvio Coeficiente

da lavoura (kg ha-1) (kg ha-1) (kg ha-1) padrão de variação
(kg ha-1) (%)

Borrazópolis 4117 5740 4646 358 7,7

Godoy 2497 4163 3352 401 12

Moreira

São Pedro 2736 5904 4024 631 16

Os mapas de produtividade (figura 9) se demonstrou uma importante

ferramenta para a localização de áreas de maior e menor produtividade ao longo da
lavoura, podendo assim auxiliar o gestor na identificação das causas dessa
variabilidade. No caso da lavoura avaliada em Godoy Moreira, a região mapeada com
menor produtividade (figura 9(A)) foi associada ao solo menos profundo, com
afloramento de rochas. As menores produtividades mapeadas nas lavouras de São
Pedro (figura 9(C)) e Borrazópolis (9(B)) também foram associadas a regiões com
menor altitude do terreno e com maior declividade.
Sendo assim, o mapa de produtividade representa um primeiro passo para uma
gestão localizada, como na gestão de insumos: corretivos, sementes, fertilizantes, e
produtos fitossanitários. Essa gestão localizada pode ser melhorada com aplicação
de covariáveis, como: dados de solo (químicos e físicos), relevo, dados de planta
(índice de vegetação). Uma maior exatidão pode ser alcançada por uma densidade
amostral maior na coleta de produtividade.
A
.

B
d
d.
 C

FIGURA 9: Mapas de produtividade das lavouras de soja em Godoy Moreira (A);

Borrazópolis (B); São Pedro do Ivaí (C).

6 CONCLUSÕES

O mapa de produtividade nos trouxe uma visão de como a variação de

produtividade se encontra na lavoura, dessa forma em geral foi apresentado uma
variabilidade moderada nas lavouras estudadas. A variação foi de 12% e 16% nas
lavouras de Godoy Moreira e São Pedro do Ivaí respectivamente; em Borrazópolis a
variabilidade foi considerada de baixa a moderada por apresentar um coeficiente de
variação de 7,7%.
O mapeamento da variabilidade da produtividade de soja nos permitiu conhecer
regiões na lavoura de menor ou maior produtividade, auxiliando o gestor em um
primeiro passo para tomadas de decisões mais assertivas, um exemplo é a análise de
solo direcionadas, para a verificação da situação da fertilidade do solo. A partir dessas
análises do solo pode ser criado outros mapas para os atributos analisados. Outra
possibilidade é a geração das zonas de manejo, para que dessa forma, essas áreas
possam ser tratadas de forma individual, ou até mesmo, na utilização de máquinas
com aplicações de insumo em taxa variada de acordo com um mapa de
recomendação.

7 REFERÊNCIAS

AMADO, T. J. C.; PONTELLI, C. B.; SANTI, A. L.; VIANA, J. H. M.; SULZBACH, L. A.

DE S. Variabilidade espacial e temporal da produtividade de culturas sob sistema
plantio direto. Pesquisa Agropecuária Brasileira, v. 42, n. 8, p. 1101–1110, 2007.
Embrapa Informação Tecnológica. Disponível em:
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-
204X2007000800006&lng=pt&tlng=pt>. Acesso em: 19/3/2021.
AVELINO, P. H. M. a Trajetória Da Tecnologia De Sistemas De Informação Geográfica
(Sig) Na Pesquisa Geográfica. Revista Eletronica da Associação dos Geógrafos
Brasileiros, v. 1, n. 1, p. 21–37, 2004.
COMPANHIA NACIONAL DE ABASTECIMENTO - (CONAB). Acompanhamento da
Safra Brasileira - GRÃOS - SAFRA 2020/21. Observatório Agrícola, v. 8, n. 9, p. 1–
121, 2021.
FRASSON, RONCATO, F.; MOLIN, PAULO, J. Análise Da Variabilidade Espacial Da
Produtividade De Soja Utilizando Recursos Do Software R. Congresso Brasileiro de
Agricultura de Precisão São Pedro, SP – ESALQ/USP, v. 2, p. 1–10, 2006.
FREITAS, MARTINS, CAMPOS, M. A CULTURA DA SOJA NO BRASIL: O
CRESCIMENTO DA PRODUÇÃO BRASILEIRA E O SURGIMENTO DE UMA NOVA
FRONTEIRA AGRÍCOLA. ENCICLOPÉDIA BIOSFERA, Centro Científico
Conhecer - Goiânia, v. 7, n. 12, p. 1, 2011.
LOVERA, L. H.; LIMA, E. S.; MONTANARI, R.; PANOSSO, A. R.; SILVA, T. S.
Variabilidade Espacial da Soja e de Alguns Atributos Físicos de Um Latossolo. , p.
153–156, 2015.