O objetivo deste trabalho foi avaliar as correlações entre a produtividade da cana‑de‑açúcar e alguns atributos físicos e químicos do solo. Para isso, uma área de 42 ha, em Araras, SP, foi selecionada. As propriedades do solo foram determinadas a partir de amostras coletadas no início da safra 2003/2004, por meio de uma grade regular de 100x100 m. A produtividade foi avaliada por meio de um monitor de produtividade (Simprocana). Análises de correlação foram realizadas entre a produtividade da cana‑de‑açúcar e as seguintes propriedades do solo: pH, pH CaCl2, N, C, índice de cone, teor de argila, matéria orgânica, P, K, Ca, Mg, H + Al, capacidade de troca catiônica e saturação por bases. Os coeficientes de correlação foram respectivamente de ‑0,05, ‑0,29, 0,33, 0,41, ‑0,27, 0,22, 0,44, ‑0,24, traço, ‑0,06, 0,01, 0,32, 0,14 e 0,04. As correlações de atributos químicos e físicos do solo com a produtividade da cana‑de‑açúcar são baixas, por si mesmas, e não são capazes de explicar a variação na produtividade da cana‑de‑açúcar, o que indica que, além das propriedades do solo, outras variáveis devem ser analisadas.

The objective of this work was to evaluate the correlation between sugarcane yield and some physical and chemical attributes of soil. For this, a 42‑ha test area in Araras, SP, Brazil, was used. Soil properties were determined from samples collected at the beginning of the 2003/2004 harvest season, using a regular 100x100 m grid. Yield assessment was done with a yield monitor (Simprocana). Correlation analyses were performed between sugarcane yield and the following soil properties: pH, pH CaCl2, N, C, cone index, clay content, soil organic matter, P, K, Ca, Mg, H+AL, cation exchange capacity, and base saturation. Correlation coefficients were respectively ‑0.05, ‑0.29, 0.33, 0.41, ‑0.27, 0.22, 0.44, ‑0.24, trace, ‑0.06, 0.01, 0.32, 0.14, and 0.04. Correlations of chemical and physical attributes of soil with sugarcane yield are weak, and, per se, they are not able to explain sugarcane yield variation, which suggests that other variables, besides soil attributes, should be analysed.

Um dos desafios da agricultura de precisão é oferecer subsídios para a definição de unidades de manejo para posteriores intervenções. Portanto, o objetivo deste trabalho foi avaliar os atributos químicos do solo e a produtividade da cultura de cana-de-açúcar por meio da geoestatística e mineração de dados pela indução da árvore de decisão. A produtividade da cana-de-açúcar foi mapeada em uma área de aproximadamente 23ha, utilizando-se o critério de célula, por meio de um monitor de produtividade que permitiu a elaboração de um mapa digital que representa a superfície de produção para a área em estudo. Para determinar os atributos de um Argissolo Vermelho-Amarelo, foram coletadas as amostras no início da safra 2006/2007, utilizando-se uma grade regular de 50 x 50m, nas profundidades de 0,0-0,2m e 0,2-0,4m. Os dados dos atributos do solo e da produtividade foram analisados por meio da técnica de goestatística e classificados em três níveis de produção para indução de árvore de decisão. A árvore de decisão foi induzida no programa SAS Enterprise Miner, sendo utilizado algoritmo baseado na redução de entropia. As variáveis altitude e potássio apresentaram os maiores valores de correlação com a produtividade de cana-de-açúcar. A indução de árvores de decisão permitiu verificar que a altitude é a variável com maior potencial para interpretar os mapas de produtividade de cana-de-açúcar, auxiliando na agricultura de precisão e mostrando-se uma ferramenta adequada para o estudo de definição de zonas de manejo em área cultivada com essa cultura.

One of the challenges of precision agriculture is to offer subsidies for the definition of management units for posterior interventions. Therefore, the objective of this work was to evaluate soil chemical attributes and sugarcane yield with the use of geostatistics and data mining by decision tree induction. Sugarcane yield was mapped in a 23ha field, applying the cell criterion, by using a yield monitor that allowed the elaboration of a digital map representing the surface of production of the studied area. To determine the soil attributes, soil samples were collected at the beginning of the harvest in 2006/2007 using a regular grid of 50 x 50m, in the depths of 0.0-0.2m and 0.2-0.4m. Soil attributes and sugarcane yield data were analyzed by using geostatistics techniques and were classified into three yield levels for the elaboration of the decision tree. The decision tree was induced in the software SAS Enterprise Miner, using an algorithm based on entropy reduction. Altitude and potassium presented the highest values of correlation with sugarcane yield. The induction of decision trees showed that the altitude is the variable with the greatest potential to interpret the sugarcane yield maps, then assisting in precision agriculture and, revealing an adjusted tool for the study of management definition zones in area cropped with sugarcane.