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

Abstract

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.

Several studies aimes to understand the Yield Gaps, measuring possible increasing on crop yields to meet the growing demand for food. These studies usually uses complex models to estimate crop yields and yield gaps, mainly presenting values of possible yield increment, without specific management attributes involved in Yield Gap. The presente study aims to classify atributes related with crop management involved in soybean crop yield, presenting a multivariate approach and variable importance based classification. In 2021/2022 season, 21 attributes related with crop management, from 470 SLC Agrícola’s soybean tillages were evaluated, representing 8 different farms in MA, BA, GO, MS and MT states. Soybean yield ranges from 716.0 to 6044.0 kg ha-1 , and comparision of avarages shows highest yields in Pantanal, Planalto and Paladino farms, in MS e BA states. High positive correlation were find between soybean yield and base saturation (V%), soil pH, phosphorus (P) and boron (B) and negative correlation between soybean yield and potential acidity (H+Al) and latitude (Y). Four groups were distinguished in unsurpervised classifications, two classifieds with low soybean yields, of which one of them had higher potential yields and total Yield Gaps than other, and others two groups with high soybean yield, separated by differences in clay, fertility and soil nutrients attributes. Random Forest (RF) was used as a soybean yield model, and achieve high adjustment in trial (R² = 0,97), assuring relative variable importance analisis (IRV). IRV values shows V%, H+Al, solar radiation, P and cumulated rainfall as majors attributes in soybean yield variation. Volume and variability of data allowed good results identifying attributes of crop management Yield Gaps whithin proposed analisis flow.