RELAÇÃO ENTRE CONDUTIVIDADE ELÉTRICA APARENTE DO SOLO, COMPONENTES DE RENDIMENTO E PRODUTIVIDADE DA SOJA: UMA ANÁLISE ESPACIAL
Relationship between soil apparent electrical conductivity, yield components and soybean yield: a spatial analysis
AUTORES/AUTHORS
Régis Ruoso1a*; Eduardo Leonel Bottega2; Zanandra Boff de Oliveira2; Fernando Coelho Eugenio3; Mirta Teresinha Petry1; Gustavo Bock Bernhard4; Juliano Dalcin Martins1;
RESUMO
A agricultura digital tem avançado com tecnologias que permitem coletar e analisar dados agrícolas em alta escala e qualidade. A condutividade elétrica aparente (CEA) do solo tem boa correlação com atributos ligados à produtividade. Este estudo visou mapear a variabilidade espacial da produtividade da soja, seus componentes e a CEA do solo. As variáveis população de plantas, plantas por metro e vagens por planta não apresentaram variabilidade espacial. Já o peso de mil grãos, a produtividade e a CEA mostraram variabilidade, descrita por modelos de semivariância. Observou-se forte correlação espacial entre CEA, peso de mil grãos e produtividade. O agrupamento Alto-Alto entre CEA e peso de mil grãos foi significativo em 34,26% da área. Já o agrupamento Baixo-Baixo entre CEA e produtividade ocorreu em 37,10% da área. Para peso de mil grãos e produtividade, 54,90% da área apresentou agrupamento não significante. A análise espacial ajuda a entender a distribuição da produtividade. Os mapas gerados podem orientar a coleta localizada de solo. Isso contribui para o planejamento de safras e definição de zonas de manejo.
Palavras-chave: Agricultura de Precisão. Glycine max (L.) Merr. Variabilidade espacial.
ABSTRACT
Digital agriculture has increasingly incorporated technologies capable of collecting, storing, and analyzing large volumes of high-quality field data. Among these technologies, the apparent electrical conductivity (ECa) of the soil has shown strong correlation with soil attributes directly or indirectly related to crop yield. This study aimed to map the spatial variability of soybean yield components, productivity, and soil ECa, as well as to analyze the spatial correlation among these variables. Results showed no spatial variability for plant population, plants per meter, and pods per plant. However, the thousand-grain weight, yield, and ECa presented spatial variability, modeled by linear with sill and spherical semivariograms. Strong spatial correlation was observed between ECa, thousand-grain weight, and soybean yield. Significant spatial clusters, such as High-High and Low-Low, were identified for specific variable pairs. The generated spatial maps can support the delineation of management zones and guide targeted soil sampling, contributing to improved crop planning and soil fertility characterization.
Keywords: Precision Agriculture. Glycine max (L.) Merr. Spatial variability.
