RESUMO - O objetivo deste trabalho foi de estudar as correlações entre atributos químicos e físicos do solo e a produtividade de soja, através de sua estimativa a partir dos atributos do solo e identificar onde estão localizadas as variações da produtividade na área. O experimento foi conduzido em um talhão sob o Latossolo Vermelho distroférrico (LVdf) textura argilosa, no município de Guariba – SP. A colheita da soja foi realizada utilizando uma colhedora equipada com um monitor de produtividade. Os dados coletados foram transferidos para o computador onde foi gerado o mapa de produtividade da área. Após a colheita foram realizadas amostragens de solo geo- referenciadas na intensidade de uma amostra por hectare na profundidade de 0–0,20 m. Foram determinados o pH e os teores de matéria orgânica, P, K, Ca, Mg, H+Al e a textura do solo e calculado a capacidade de troca de cátions do solo (CTC) e a saturação de bases do solo (V%). Foram realizadas análises de correlação linear e de regressão linear múltipla utilizando o procedimento Stepwise. Para a geração dos mapas de produtividade utilizou-se a análise geoestatística. O P foi o atributo do solo que mais se correlacionou com a produtividade da soja. O mapa de produtividade possibilitou identificar onde as baixas e altas produtividades estão localizadas. Não houve diferença entre os valores médios da produtividade observada e da estimada na área estudada.
3.1. Introdução
Nos últimos anos foi surpreendente o aumento da produtividade da cultura da soja no Brasil. Segundo YAMADA (1999) a área plantada com soja foi multiplicada por dez e a produção por vinte, refletindo o trabalho da pesquisa agrícola na busca de elevadas produtividades.
Para alcançar altas produtividades agrícolas, há necessidade de se identificar os fatores de produção que limitam o crescimento das plantas. Neste contexto, o conhecimento da variabilidade dos atributos do solo pode contribuir para evitar ou minimizar os efeitos nocivos que um determinado fator possa estar limitando a produtividade das culturas, pois muitas são as fontes de variação.
O solo é um dos componentes de um conjunto complexo de fatores da produção. Ele se destaca pela sua função em fornecer às plantas suporte físico, água e nutrientes. Segundo LEPSCH (1987), o conhecimento dos atributos do solo é importante para julgar o potencial da produção agrícola.
Atributos do solo, incluindo a disponibilidade de água, a drenagem, a profundidade, a disponibilidade de nutrientes, a textura e o pH são identificados como uma das principais causas para explicar a produtividade das culturas (KHAKURAL et al., 1996).
Em razão da grande variabilidade observada na produtividade das culturas devido a interação complexa de muitos fatores justifica-se a aplicação das técnicas de agricultura de precisão com o objetivo de quantificar essa variabilidade (COELHO, 2003). Com o monitoramento instantâneo da produtividade, foi possível registrar no campo onde as baixas e altas produtividades estão localizadas.
O monitoramento da produtividade baseia-se no registro do fluxo de grãos, ao mesmo tempo em que é registrada a localização da colhedora no campo pelo sistema global de posicionamento (GPS). Os dados registrados durante a colheita fornecem informações úteis, como a produção e a sua respectiva localização através das coordenadas geográficas, a altitude, o teor de umidade dos grãos e a velocidade da colhedora. Estas informações são armazenadas em um cartão de dados, e após o
tratamento dos dados por um programa computacional, são confeccionados os mapas de produtividade.
De acordo com HAN et al. (1994) o mapa de produtividade é um importante componente para a agricultura de precisão, pois identifica e quantifica a variabilidade da produtividade das culturas e auxilia para o manejo especifico nos próximos cultivos, isto é, o tratamento localizado em cada local da área.
Segundo MOLIN (2000) para a correta interpretação nos mapas de produtividade, é necessário relacioná-los com os fatores de produção para se conhecer qual fator esta limitando o rendimento da cultura.
SADLER & RUSSEL (1997) salientam que a variabilidade na produção das culturas tem sido observada em vários mapas de produtividade, avaliados tanto por técnicas de pesagem manual ou com monitores de produtividade.
Além de medir e avaliar a variabilidade da produtividade através de métodos diretos, ela pode ser estimada (MARQUES JÚNIOR & CORÁ, 1998). O uso de modelos matemáticos para estimativa de variáveis tem como função interagir os fatores ambientais com os da planta, permitindo assim um estudo mais detalhado.
Normalmente um modelo matemático é ajustado para explicar um fenômeno, quando um atributo é de difícil avaliação, ou de alto custo para ser medido (LAMPARELLI et. al, 2001). Se este atributo é dependente de outros atributos independentes, comparativamente mais fáceis de serem avaliados, então é possível o ajuste a um modelo para sua predição através dos atributos independentes.
SADLER & RUSSEL (1997) sugerem que a limitação na utilização de modelos para estimar a produção das culturas parece ser causada pela falta de conhecimento da variabilidade dos atributos do solo.
Portanto, verifica-se a necessidade de produzir informações que levem à melhoria da produtividade, através do conhecimento da variabilidade dos atributos do solo e das plantas, permitindo identificar quais fatores possam influenciar a produtividade.
O presente trabalho teve o objetivo de estudar as correlações entre atributos químicos e físicos do solo com a produtividade da soja, através de sua estimativa a
partir dos atributos do solo e identificar onde estão localizadas as variações da produtividade na área.
3.2. Material e Métodos
O experimento foi conduzido na Fazenda Morumbi, município de Guariba/SP, cujas coordenadas estão situadas entre 21°24’ a 21°25’ de latitude sul e 48°07’a 48°09’ de longitude oeste, com altitude média de 530 m, predominando o relevo suave ondulado. O solo da área escolhida é classificado como Latossolo Vermelho distroférrico (LVdf) textura argilosa (EMBRAPA, 1999).
O clima, segundo a classificação de Köeppen, é definido como tropical úmido com estação chuvosa no verão e seca no inverno (Aw), com precipitação média anual de 1400 mm. 0 50 100 150 200 250 300 350 400 450 500
Jan/02 Fev/02 Mar/02 Abr/02 Mai/0 2
Jun/0 2
Jul/02 Ago/02 Set/02 Out/02 Nov/0 2 Dez/02 Jan/0 3 Fev/03 Mar/03 Meses Precipitação (mm) 0 5 10 15 20 25 30 35 40 Temperatura (°C)
Precipitação (mm) Temp. Max Temp. Min
Figura 1. Médias das temperaturas máximas e mínimas e da precipitação acumulada, entre os meses de janeiro de 2002 e março de 2003. A precipitação total ocorrida no período entre a semeadura e a colheita da soja foi de 1070 mm.
A área vem sendo cultivada com culturas agrícolas desde 1970, tendo como cultura principal à cana-de-açúcar e para reforma do canavial cultiva-se a soja. Na primeira quinzena de novembro de 2002 procedeu-se a semeadura da soja. A colheita foi realizada na primeira quinzena de março de 2003. Utilizou-se uma colhedora
equipada com um monitor de produtividade marca AGCO modelo MF 34, com uma largura de corte da plataforma de 7,1 m de comprimento. A Figura 2 ilustra a operação de colheita, com a colhedora instrumentada com o monitor de produtividade.
Figura 2. Vista da colhedora utilizada na operação de colheita da soja.
O sistema de monitoramento da colhedora permite o registro dos dados de colheita de forma automática. Um computador instalado na colhedora registra em um cartão de dados a produtividade da lavoura e sua localização no campo, através do sistema de posicionamento global (DGPS) (Figura 3). A produção é mensurada por um sensor, instalado no elevador de grãos, localizado na entrada do tanque graneleiro da colhedora, que quantifica a massa do produto colhido, pelo fluxo de grãos. O intervalo de registro de dados foi de 1,2 segundos, o que resultou em aproximadamente oito mil dados coletados.
Os dados coletados pelo monitor da colhedora foram transferidos para o computador e o com o programa Fieldstar v. 4.02 (AGCO Corp.) foi gerado o mapa de produtividade da área, utilizando como método de interpolação o inverso da distância ao quadrado. Para a interpretação e análise estatística dos dados brutos do mapa produtividade, foi realizada uma filtragem dos dados, através da retirada de pontos com produtividade nula e com posição repetida.
Figura 3. Antena do sistema de posicionamento global (DGPS) instalada na colhedora.
Após a colheita da soja, foram realizadas amostragens de solo em grade regular na intensidade de uma amostra por hectare na profundidade de 0–0,20 m, que corresponde a uma amostragem com intervalos regulares de 100 m. Em cada ponto, foram coletadas com a utilização de um trado tipo holandês, dez sub-amostras de material de solo, para compor uma amostra composta representativa do ponto de amostragem, sendo coletadas aleatoriamente num raio de 50 m do ponto central. Foram coletadas 20 amostras compostas numa área com 19 ha.
O polígono da área e os pontos de amostragem foram geo-referenciados, utilizando um sistema de posicionamento global diferencial (DGPS) geodésico com pós- processamento, modelo Trimble 4600 LS, com o objetivo de ter uma maior acurácia vertical (altimetria).
As amostras de solo foram preparadas e submetidas às análises químicas para fins de fertilidade, segundo métodos descritos por RAIJ et al. (1987). Foram determinados os teores de pH, matéria orgânica (MO), P, Ca, Mg, K e H+Al e calculado a capacidade de troca de cátions do solo (CTC) e saturação por bases do solo (V%). A análise granulométrica foi determinada pelo método da pipeta, seguindo metodologia proposta por GEE & BAUDER (1986).
Para avaliar a produtividade da soja nos pontos amostrados de solo, foi utilizado o programa Surfer 6.01 (Golden Software, 1995), através das coordenadas geográficas dos pontos de amostragem do solo com as respectivas produtividades. Considerou a produtividade média da soja em uma área com uma célula quadrada de 80 m2 em torno dos pontos de amostragem.
Os resultados das análises efetuadas nas amostras de solo e da produtividade foram submetidos à análise estatística descritiva, análises de correlação linear de Pearson e de regressão linear múltipla utilizando-se o procedimento Stepwise, processadas pelo programa SAS (SAS Institute, 1995), considerando-se como variável dependente a produtividade da soja e como variáveis independentes os atributos do solo e a altitude. A estimativa da produtividade da soja foi calculada de acordo com o modelo matemático proposto na análise de regressão linear múltipla.
Para a geração dos mapas da produtividade nos pontos amostrados e da estimada, utilizou-se a análise geoestatística. A análise geoestatística foi realizada utilizando-se o programa GS+ v. 5.03 Beta (ROBERTSON, 1998). A eficiência do ajuste dos modelos aos semivariogramas foi realizada com base no melhor coeficiente de determinação (R2) entre os valores obtidos e estimados e pela menor soma de quadrados dos resíduos (SQR). Para confeccionar os mapas de produtividade, utilizou- se o programa Surfer 6.01 (Golden Software, 1995) tendo como método de interpolação a krigagem.
3.3. Resultados e Discussão
Os resultados da análise estatística descritiva dos atributos do solo e da produtividade encontra-se na Tabela 1. De acordo com os limites estabelecidos para os níveis de fertilidade do solo, para a cultura da soja no Estado de São Paulo (RAIJ et al., 1997), os valores médios dos atributos químicos apresentaram-se baixo para o pH; médios para K, MO e V% e altos para P, Ca e Mg.
O valor médio da produtividade obtida pelo monitor da colhedora foi semelhante ao que foi amostrado e estimado (Tabela 1). Entretanto, através dos valores máximos e mínimos observa-se uma maior amplitude nos valores da produtividade obtida pelo monitor da colhedora. Isto se deve ao elevado número de dados coletados, (aproximadamente oito mil), enquanto que para a produtividade amostrada e estimada foi utilizado um conjunto de apenas vinte dados. Os dados medidos pelo monitor da colhedora indicaram uma grande variabilidade para a produtividade da soja na área estudada, devida a elevada amplitude dos valores da produtividade (Tabela 1).
A produtividade medida pelo monitor apresentou os maiores coeficientes de variação, seguida da produtividade avaliada nos pontos de amostragem e da estimada pela equação de regressão, com os menores coeficientes de variação (Tabela 1).
Tabela 1. Resultados da análise estatística descritiva dos atributos do solo e da produtividade da soja.
Valor Coeficiente (d)
Atributos Média
Mínimo Máximo
Desvio
Padrão Variação(%) Curtose Assimetria P (mg dm-3) 48,8 21,0 85,0 18,3 38 -0,7 0,5 MO (g dm-3) 26,4 20,0 33,0 2,8 10 1,7 -0,1 pH 5,5 4,8 6,0 0,3 5 0,0 -0,3 K (mmolc dm-3) 1,8 0,8 3,5 0,6 33 3,4 1,1 Ca (mmolc dm-3) 23,8 11,9 37,4 6,5 27 0,0 0,2 Mg (mmolc dm-3) 13,8 5,6 21,6 5,4 39 -1,4 0,0 H + Al (mmolc dm-3) 29,1 22,0 40,0 5,0 17 -0,1 0,7 SB (mmolc dm-3) 39,4 21,0 58,0 11,0 28 -1,2 0,2 CTC (mmolc dm-3) 68,5 55,0 85,0 8,3 12 -0,8 0,2 V (%) 56,7 34,3 72,6 10,3 18 -0,5 -0,4 Argila (g kg-1) 56,5 48,0 62,0 4,2 7 -0,5 -0,9 Silte (g kg-1) 14,4 11,0 18,0 2,0 14 -0,7 0,0 Areia (g kg-1) 29,1 22,0 39,0 5,7 20 -0,8 0,7 Altitude (m) 549,8 546,6 553,1 1,9 0,3 -1,1 0,1 Prod_Med (a) (kg ha-1) 3731 1581 5518 693,9 19 0,14 -0,33 Prod_Amos (b) (kg ha-1) 3657 2515 4846 576,1 16 0,0 0,1 Prod_Estim (c) (kg ha-1) 3657 2924 4237 363,0 10 -0,7 -0,01 (a)
Produtividade medida pelo monitor da colhedora; (b) produtividade avaliada nos pontos de amostragem; (c) produtividade estimada pela análise de regressão linear múltipla; (d) Os dados de coeficientes de variação, assimetria e curtose são adimensionais.
Os coeficientes de assimetria e curtose dos atributos físicos e das produtividades apresentaram pequenos desvios de uma distribuição simétrica, enquanto para os atributos químicos do solo estes desvios foram mais acentuados, tendendo a uma distribuição assimétrica (Tabela 1).
Os dados da correlação linear entre os atributos do solo e a produtividade da soja medida pelo monitor da colhedora encontram-se na Tabela 2. Os coeficientes de correlação resultaram em valores baixos, confirmando a tendência que vem sendo observada em vários trabalhos como os de ACOCK & PACHEPSKY (1997), MOLIN et al. (2001) e MOLIN et al. (2002).
O fósforo foi o único atributo que mostrou haver correlação com a produtividade, sendo esta correlação positiva e significativa, indicando desta forma que, à medida que os teores de P aumentam, a produtividade também aumenta (Tabela 2). A literatura relata que a ordem de exigência nutricional de macronutrientes para a soja segue a seguinte ordem decrescente: N > K > Ca > Mg > P > S (ROSOLEM, 1982 e SFREDO et al., 1986 citado por TANAKA et al., 1993). Pelos dados da literatura observa-se a importância do fósforo na exigência nutricional da soja.
Tabela 2. Coeficientes de correlação linear (r) entre os atributos químicos e físicos estudados com a produtividade da soja.
Atributos Produtividade P 0,53* MO 0,19 ns pH -0,009 ns K 0,18 ns Ca 0,05 ns Mg -0,07 ns H+Al 0,01 ns SB -0,004 ns CTC 0,005 ns V 0,01 ns Argila 0,19 ns Silte 0,05 ns Areia -0,16 ns Altitude 0,47 ns
A fim de predizer a produtividade da soja, foi realizada a análise de regressão linear múltipla (Tabela 3). Os atributos que mais contribuíram para explicar a produtividade da soja foram o P e o Mg. Estes atributos juntos explicaram 39% da produtividade (Tabela 3). Ressalta-se que a contribuição individual do P para o modelo foi de 28%, indicando ser o principal atributo para a previsão de rendimento da cultura, quando analisado de forma isolada. Considerando que a produção de uma cultura é dependente de muitos fatores, o valor do coeficiente de determinação encontrado no presente estudo, respectivamente de 0,39 pode ser considerado alto.
Tabela 3. Resultados da análise de regressão linear múltipla entre as variáveis estudadas e os parâmetros do modelo matemático estimado da produtividade da soja.
Atributos Estimativa dos
Parâmetros F Pr > F R 2 Intercepto 3134,93816 80,11 <,0001 P 21,69153 11,04 0,0040* 0,2866 Mg -38,91315 3,12 0,0955* 0,1105 0,397 * Significativo ao nível de 15% de probabilidade
Os modelos apresentaram bom comportamento em grande parte da faixa de variação dos valores observados da produtividade da soja, conforme pode ser constatado pela distribuição dos pontos em relação à linha 1:1 (Figura 4). Os valores estimados ficaram próximos dos valores reais, podendo-se observar a pequena dispersão dos pontos em torno da reta. Esta reta indica o que seria um ajuste perfeito, ou seja, quanto mais próximo dela, maior a precisão da estimativa (WÖSTEN et al., 1990; ZHUANG et al., 2001).
Segundo BOOTE et. al. (1996) as estimativas da produção por meio de modelos, podem ser úteis para avaliar as possíveis causas da alteração na produtividade ao longo do tempo para uma determinada região. Entretanto, isto é muito difícil, pois as variações do rendimento podem ter influências nas variações do clima, nas práticas culturais e no uso de cultivares melhoradas.
2000 2500 3000 3500 4000 4500 5000 2000 2500 3000 3500 4000 4500 5000
Produtividade medida (kg.ha-1)
Produtividade estimada
(kg.ha
-1 )
Valores da Produtividade Reta 1:1
Figura 4. Representação dos valores da produtividade estimada pela equação formada com as variáveis e os parâmetros dos modelos matemáticos encontrados na Tabela 3, em relação aos valores medidos nos pontos de amostragem.
Segundo ACOCK & PACHEPSKY (1997), não é correto explicar a variabilidade da produtividade das culturas somente com fatores normalmente, restritos à fertilidade do solo. As exigências hídricas, especialmente no período de enchimento de grãos, constituem um dos principais fatores a serem atendidos para que se obtenha o rendimento máximo de uma cultivar de soja (QUEIROZ et al., 1998).
Na Figura 5, estão apresentados os semivariogramas para as produtividades observada e estimada. Os dados indicam a existência de dependência espacial para ambas produtividades, tanto para a produtividade avaliada pela amostragem como pela estimada através do modelo de regressão. Entretanto, observa-se baixos valores nos coeficientes de determinação (R2) para ambas situações, respectivamente de 0,35 e 0,56 (Figura 5). O primeiro ponto do semivariograma está condicionando a um ajuste teórico aos dados, mas visualmente os dados mostram uma distribuição aleatória (efeito pepita puro).
Figura 5. Semivariogramas ajustados aos dados da produtividade da soja avaliada nos pontos de amostragem (a) e da produtividade estimada pela análise de regressão linear múltipla (b). Valores entre parênteses são, respectivamente efeito pepita, patamar e alcance.
Com os valores estimados pela krigagem, foram gerados mapas da distribuição espacial da produtividade observada e da estimada (Figura 6). Os mapas de produtividade apresentaram as mesmas tendências de produtividade ao longo da área, com as menores produtividades localizadas na parte direita, e as maiores produtividades na parte esquerda (Figura 6). Entretanto o mapa de produtividade gerado pelo monitor mostra que na parte central do mapa há ocorrência de uma faixa onde a produtividade é mais elevada, na qual os valores chegam a 5000 kg ha-1.
Verifica-se que a variabilidade foi menor na produtividade avaliada nos pontos de amostragem, quando comparada ao mapa gerado pelo monitor de produtividade. Isto se deve à baixa quantidade de dados utilizados para gerar os mapas.
Os dados estimados pela equação de regressão apresentou uma menor amplitude do que a produtividade avaliada nos pontos de amostragem, o que já era esperado, uma vez que a produtividade foi estimada por meio de uma equação.
(a) (b) 7628600 7628700 7628800 7628900 7629000 795500 795600 795700 795800 795900 796000 796100 796200 7628600 7628700 7628800 7628900 7629000 Prod 795500 795600 795700 795800 795900 796000 796100 796200 7628600 7628700 7628800 7628900 7629000 Prod Estimada 795500 795600 795700 795800 795900 796000 796100 796200 Norte – UTM (m) 2000 2500 3000 3 500 40 00 450 0 5000 kg ha-1
Figura 6. Mapas da produtividade de soja (kg ha-1) obtida pelo monitor da colhedora (a);
produtividade avaliada nos pontos de amostragem (b) e da produtividade estimada pela análise de regressão linear múltipla (c).
3.4. Conclusões
O fósforo foi o atributo do solo que mais se correlacionou com a produtividade da soja. O mapa de produtividade possibilitou identificar a variabilidade espacial da produtividade da soja na área estudada. Não foram observadas diferenças entre os valores médios da produtividade da soja observada e da estimada.
3.5. Referências
ACOCK, B.; PACHEPSKY, YA. Holes in precision farming: mechanistic crop models. In: EUROPEAN CONFERENCE ON PRECISION AGRICULTURE, 1., 1997, Warwick. Proceedings…Silsoe: Silsoe Research Institute, 1997. v.1, p.397-404.
Leste
–
UTM (m)
BOOTE, K.J.; JONES, J.W.; PICKERING, N.B. Potencial uses and limitations of crop model. Agron. J., Madison, v.88, p.704-716, 1996.
CAMBARDELLA, C.A.; MOORMAN, T.B.; NOVAK, J.M.; PARKIN, T.B.; KARLEN, D.L.; TURCO, R.F.; KONOPKA, A.E. Field-scale variability of soil properties in central Iowa soils. Soil Sci. Soc. Am. J., Madison, v.58, p.1501-1511, 1994.
COELHO, A.M. Agricultura de precisão: manejo da variabilidade espacial e temporal dos solos e das culturas. In: CURI, N.; MARQUES, J.J.; GUILHERME, L.R.G.; LIMA, J.M.; LOPES, A.S.; ALVARES, V. H. Tópicos em ciência do solo., Viçosa: Sociedade Brasileira de Ciência do Solo, 2003. v.3, p. 249-290.
CRESSIE, N. Statistics for spatial data. New York: Jonh Wiley, 1991. 900 p.
GEE, G. W.; BAUDER, W. Particle-size analysis. In: BLACK, C. A. (Ed.). Methods of soil analysis. American Society of Agronomy, Madison, Part 1. Agronomy, n. 9, p. 383- 409, 1986.
EMBRAPA. Centro Nacional de Pesquisas de Solos. Sistema Brasileiro de Classificação de Solos. Rio de Janeiro. 1999. 421 p.
GOLDEN SOFTWARE. Surfer for Windows: Surface mapping system. Versão 6.01. Golden, 1995. Não paginado.
HAN, S.; HUMMEL, J.W.; GOERING, C. E.; CAHN, M.D. Cell size selection for site- specific crop management. Trans. ASAE, St. Joseph, v.37, n.1, p.19-26, 1994.
KHAKURAL, B. R.; ROBERT, P.C.; MULLA, D.J. Relating corn/soybean yield to variability in soil and landscape characteristics. In: Proceedings of the INTERNATIONAL
CONFERENCE PRECISION AGRICULTURE, 3., 1996, Minneapolis. Proceedings… Madison: American Society of Agronomy, 1996. p. 117–128.
LAMPARELLI, R.A.C.; ROCHA, J.V.; BORGHI, E. Geoprocessamento e agricultura de precisão: fundamentos e aplicações. Guaíba: Agropecuária, 2001. 118 p.
LEPSCH, I.F. Influência dos fatores edáficos na produção. In: CASTRO, P.R.C.; FERREIRA, S.O.; YAMADA, T. (Coord.). Ecofisiologia da produção agrícola. Piracicaba: Associação Brasileira para Pesquisa da Potassa e do Fosfato, 1987. p.83- 98.
MARQUES JÚNIOR, J.; CORÁ, J. E. Atributos do solo para a agricultura de precisão. In: SILVA, F. M. Mecanização e agricultura de precisão. Lavras: Sociedade Brasileira de Engenharia Agrícola, 1998. p.31-70.
MOLIN, J.P. Geração e interpretação de mapas de produtividade para a agricultura de precisão. In: BORÉM, A.B.; GIÚDICE, M.P.; QUEIROZ, D.M.; MANTOVANI, E.C.; FERREIRA, LR.; VALLE, F.X.R.; GOMIDE, R.T. Agricultura de precisão. Viçosa: UFV, 2000. p.237-258.
MOLIN, J.P.; COUTO, H.T.; GIMENEZ, L.M.; PAULETTI, V.; MOLIN, R.; VIEIRA, S.R. Regression and correlation analysis of grid data versus cell spatial data. In: EUROPEAN CONFERENCE ON PRECISION AGRICULTURE, 3., 2001, Montpellier. Proceedings... Montpellier: Ecole Nationale Supérieure Agronomique, 2001, p. 449–453. 1 CD-ROM.
MOLIN, J.P.; RIBEIRO FILHO, A.C.; TORRES, F.P.; SHIRAISI, L.E.; SARTORI, S.; SARRIÉS, G.A. Mapeamento da produtividade de café e sua correlação com componentes da fertilidade do solo em duas áreas piloto. In: BALASTREIRE, L.A. Avanços na agricultura de precisão no Brasil no período de 1999-2001. Piracicaba, 2002. p.58-65. 1 CD-Rom.
QUEIROZ, E.F.; GAUDÊNCIO, C.A.; GARCIA, A.; TORRES, E.; OLIVEIRA, M.C.N. Efeito da época de plantio sobre o rendimento da soja, na região norte do Paraná.