Resumo: O objetivo do trabalho foi investigar metodologia que permitisse a análise da variabilidade espacial de um conjunto de parâmetros coletados em uma área experimental de 4810 m2 em Piracicaba-SP (dados publicados em tese de doutorado). Para isto, foram aplicadas, conjuntamente, técnicas de análise multivariada e geoestatística. A Análise dos Componentes principais foi utilizada na identificação de variáveis que têm maior poder de explicação da variabilidade contida no conjunto de parâmetros. Também foi utilizada a técnica de agrupamentos sobre os parâmetros do solo e/ou da planta ou sobre os componentes principais, com a finalidade de determinação de áreas homogêneas. A Geoestatística foi aplicada na determinação de modelos de semivariogramas e interpolação (krigagem) dos dados gerados pela Análise de Componentes Principais. A partir disso, foram construídos mapas de alguns destes componentes a fim de facilitar a interpretação dos resultados. Finalmente, também foi realizada a análise de regressão linear múltipla, com a finalidade de estimar a produtividade e comparar resultados, utilizando-se, para isso, as variáveis originais e os componentes principais. Foi verificado que os mapas discretos, construídos através da análise de agrupamentos, utilizando-se os componentes principais, forneceram resultados similares ao mapa, quando utilizadas as variáveis originais. Ao mesmo tempo, a aplicação dos componentes principais reduz consideravelmente a dimensão do problema, facilitando a interpretação quando os componentes são interpretáveis. Quando a proporção da variância explicada pelo primeiro componente é alta, o mapa interpolado desse componente pode espelhar grandemente o comportamento dado pelo mapa discreto, utilizando-se a técnica de agrupamentos segundo um número maior de componentes (geralmente explicando acima de 90% da variabilidade). A partir da análise de regressão, feita neste estudo, concluímos que o modelo, utilizando as componentes principais como variáveis regressaras, apresentou estimativas de produção mais distantes dos valores observados, quando comparados com estimativas dadas pelo modelo, utilizando-se as variáveis originais. Entretanto, sugerimos um estudo mais profundo sobre os erros das estimativas, para que se formalize esta conclusão Ver menos

Abstract: The goal of this research was to investigate methodology for studying the spatial variability contained in a set of parameters collected in an experimental area of 4810 m2 in Piracicaba-SP (data published in a doctoral dissertation). For that, Geostatistics and other multivariate techniques were applied combined. Principal Components Analysis (PCA) was used for identifying variables which explain a major part of the variability in the whole set of parameters. Also, Cluster Analysis was performed on the parameters of the soil and/or plants, or on the principal components for defining homogeneous areas. Geostatístics was applied, fitting semivariogram models, followed by kriging interpolation of the data generated by the PCA. Afier that, maps of the components were built in order to interpret more easily the results. Finally, Multiple Regression models were fitted for estimating the productivity and compare the results using the original variables with using the principal components. It was found that the discrete maps showing the results from cluster analysis using the principal components presented similar patterns to those based on the cluster analysis using the original variables, suggesting that PCA reduces the dimension of the problem considerable, making it easier to interpret if the principal components provide some interpretation. When the proportion of the expl~ined variance of the first principal component is high, its interpolated map alone can already be similar to the one generated by the cluster analysis using a bigger number of principal components (normally explaining at least 90% of the variability). From the regression analysis in this research, the results suggested that the model using the principal components as independent variables presented estimated productivity further away trom the observed values, compared to the estimates given by the model using the original variables. However, we suggest further studies to investigate the behavior of the errors associated with the estimates Ver menos