O estudo da relação entre as propriedades do solo é de grande importância na área agronômica objetivando um manejo racional dos recursos naturais do meio ambiente e um aumento na produtividade agrícola. Tradicionalmente este estudo tem sido realizado usando modelos de regressão estática os quais não levam em consideração a estrutura espacial envolvida. Este trabalho teve o objetivo de avaliar a relação entre uma variável de determinação mais cara e demorada (por exemplo, nitrogênio total do solo) e outras de mais barata e rápida determinação (p.e., carbono orgânico do solo, pH, etc.). Duas importantes classes de modelos (espaço de estados linear e redes neurais) são usadas para predição e comparadas aos modelos de regressão uni- e multivariados aqui usados como referência. Para tal, em uma área experimental cultivada com aveia, situada em Jaguariúna, SP (22º41' S e 47º00' W), amostras de um solo classificado como Latossolo foram coletadas na camada arável ao longo de uma transeção espacial de 194 m, eqüidistantes de 2 m. Os modelos de rede neural recorrente e de espaço de estados padrão tiveram uma melhor performance preditiva da variável nitrogênio total do solo quando comparados aos modelos de regressão padrão. Entre os modelos de regressão padrão o Autoregressivo Vetorial teve um melhor desempenho preditivo da variável nitrogênio total do solo.

The study of soil property relationships is of great importance in agronomy aiming for a rational management of environmental resources and an improvement of agricultural productivity. Studies of this kind are traditionally performed using static regression models, which do not take into account the involved spatial structure. This work has the objective of evaluating the relation between a time-consuming and "expensive" variable (like soil total nitrogen) and other simple, easier to measure variables (as for instance, soil organic carbon, pH, etc.). Two important classes of models (linear state-space and neural networks) are used for prediction and compared with standard uni- and multivariate regression models, used as reference. For an oat crop cultivated area, situated in Jaguariuna, SP, Brazil (22º41' S, 47º00' W) soil samples of a Typic Haplustox were collected from the plow layer at points spaced 2 m apart along a 194 m spatial transect. Recurrent neural networks and standard state-space models had a better predictive performance of soil total nitrogen as compared to the standard regression models. Among the standard regression models the Vector Auto-Regression model had a better predictive performance for soil total nitrogen.

A avaliação da relação entre certas variáveis representando propriedades do solo (tais como nitrogênio total e carbono orgânico) coletadas ao longo de linhas chamadas "transects", é assunto de grande interesse em experimentação agrícola. Este problema tem sido usualmente abordado através de modelos estatísticos padrão de espaço de estado por alguns autores na literatura de ciência do solo. As mais importantes limitações dos procedimentos utilizados na prática são apontados e discutidos neste artigo, sendo relacionadas ao significado dos parâmetros do modelo e a sua interpretação prática. A abordagem padrão de espaço de estado, que é baseada em uma estrutura autoregressiva, não apresenta nenhum parâmetro que expressa a relação entre as variáveis no mesmo ponto do espaço, mas somente em pontos defasados. Além disso, os parâmetros do modelo (na matriz de transição) tem um significado global e não local, não expressando diretamente a heterogeneidade do solo. Desta forma, o objetivo aqui é propor uma abordagem alternativa de espaço de estado, baseada em modelos de regressão com coeficientes variando ao longo do espaço de modo a evitar estas limitações. Dados de nitrogênio total e carbono orgânico do solo foram coletados de um Latossolo. Eles foram medidos na camada de 0 – 0,20 m ao longo de uma transeção de 194 m, totalizando 97 amostras espaçadas entre si de 2 m, entre duas curvas de contorno adjacentes. Os resultados mostram as vantagens comparativas do método proposto em relação ao método de espaço de estados padrão. Tais vantagens estão relacionadas a uma mais adequada incorporação da heterogeneidade do solo ao longo da transeção espacial resultando em um melhor ajuste do modelo e a uma maior flexibilidade no processo de construção do modelo permitindo uma fácil interpretabilidade dos coeficientes estimados.

The assessment of the relationship among soil properties (such as total nitrogen and organic carbon) taken along lines called transects is a subject of great interest in agricultural experimentation. This question has been usually approached through standard state-space methods by some authors in the soil science literature. Important limitations of the mentioned procedures used in practice are pointed out and discussed in this paper, specially those related to the model parameters, meaning and practical interpretation. In the standard state-space approach, based on an autoregressive structure, it does not present any parameters that express the variables relationship at the same point in space, but only at lagged points. Also, its model parameters (in the transition matrix) have a global meaning and not a local one, not expressing more directly the soil heterogeneity. Therefore, the objective here is to propose an alternative state-space approach, based on dynamic (space-varying parameters) regression models in order to avoid the mentioned drawbacks. Soil total nitrogen and soil organic carbon samples were collected on a Typic Haplustox. Samples were taken along a line (transect) located in the middle of two adjacent contour lines. The transect samples, totaling 97, were collected in the plow layer (0-0.20 m) at points spaced 2 meters appart. Results show the comparative advantages of the proposed method (based on an alternative state-space approach) in relation to the standard state-space analysis. Such advantages are related to a more adequate incorporation of soil heterogeneity along the spatial transect resulting in a better model fitting, and greater flexibility of the model's building process with an easier interpretability of the local model coefficients.

Para estudar a interação solo-planta utilizou-se um modelo de espaço de estados (regressão dinâmica) comparativamente à um modelo de regressão estática, em versão convencional e em versão sequencial. Para tal, foram utilizados dados experimentais de densidade do solo, macroporosidade, microporosidade e porosidade total de um solo Latossolo Vermelho Escuro, além da densidade radicular por comprimento de raiz por unidade de volume, de uma cultura de aveia forrageira. Das variáveis explanatórias estudadas, a porosidade total apresentou correlação bastante significativa com a densidade radicular, considerada como a variável resposta do estudo. Um modelo de regressão estática representado na forma de espaço de estados com estimação seqüencial forneceu um coeficiente R² de ajuste igual a 0.69, enquanto que um modelo estático convencional forneceu um coeficiente R² de ajuste de apenas 0.59. Esta relação solo-planta é melhor representada ainda através de um modelo de regressão dinâmica, ou seja, um modelo genuinamente de espaço de estados onde agora o grau de explicação R² passa a mais de 0.98. Isto explicita a vantagem da abordagem de espaço de estados em relação aos outros métodos mais tradicionais de relacionar sistema solo-planta.

The interaction soil-plant was evaluated using a state space approach (dynamic model) comparatively to a static regression model using both, standard and sequential estimations. Experimental soil data consisted of bulk density, macroporosity, microporosity and porosity of a dark red latosol, and plant data of root density in length per unit volume, of a forage-oat crop. Among these, only soil porosity had a good correlation with the root system density, which is the response variable of this study. A static regression model written in the state space form with a sequential estimation, gave a R² coefficient of 0.69, comparatively to a conventional (non-sequential) regression model, which gave a R² coefficient of only 0.59. This soil-plant relation was better described by a dynamic regression model, which gave a R² coefficient greater than 0.98. These results indicate the advantage of the state space approach in relation to the other more conventional regression methods.