Lacuna de produtividade (“Yield Gap”) : abordagem multivariada para classificação dos atributos que impactam a produtividade da soja no bioma Cerrado

• Ano de defesa: 2022
• Autor(a) principal: Pedrini, Douglas
• Orientador(a): Vian, André Luis
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Manejo do solo; Cerrado; Produtividade; Soja
• Link de acesso: http://hdl.handle.net/10183/284050

Diversos estudos buscam entender as lacunas de produtividade (Yield Gaps), identificando o quanto é possível aumentar a produtividade dos cultivos para atender a demanda crescente por alimentos. Estes estudos costumam utilizar modelagens complexas para estimativa das produtividades e dos Yield Gaps, e demonstram principalmente os valores de incremento possível, sem apresentar os principais atributos de manejo envolvidos no Yield Gap. O objetivo deste trabalho foi classificar o quanto a produtividade da soja é impactada pelos atributos de solo e de clima vinculados ao manejo da cultura, propondo processo de avaliação com base em estatística multivariada e de classificação de importância das variáveis. O estudo avaliou informações de 470 lavouras de produção de soja na safra 2021/2022 em 8 fazendas da SLC Agrícola nos estados do MA, BA, GO, MS e MT, e contou com 21 atributos vinculados a manejo da cultura. As produtividades reais variaram de 716,0 a 6044,0 kg ha-1 , e os atributos para cada talhão foram avaliados por comparativos de médias, demonstrando maiores produtividades nas fazendas Planalto e Pantanal no MS e Paladino na BA. As análises dos coeficientes de correlação e de componentes principais demonstraram forte correlação positiva da produtividade real com os valores de saturação de bases (V%) e pH do solo, bem como com teores de fósforo (P) e de boro (B), além da correlação negativa com a acidez potencial (H+Al) e a latitude (Y). A classificação não supervisionada retornou quatro grupos de talhões, distinguindo dois grupos de menores produtividades reais, com diferenças em suas produtividades potenciais e Yield Gap total, e outros dois grupos de altas produtividades, separados por atributos de fertilidade e teores de argila e nutrientes no solo. Utilizou-se Random Forest (RF) para modelar a produtividade da soja, obtendo-se ótimo ajuste para os valores de treino (R² = 0,97), proporcionando a avaliação da importância relativa das variáveis (IRV). Os valores de IRV demonstram que V%, H+Al, radiação solar, P e precipitação são os principais atributos que impactaram na produtividade para conjunto de dados. A quantidade e variabilidade dos dados permitiram que o fluxo de análise proposto retornasse bom resultado de identificação de atributos do Yield Gap de manejo.