O objetivo deste trabalho foi avaliar a magnitude da variabilidade espacial e as relações de causa e efeito entre os fatores de produção da cultura do algodoeiro (Gossypium hirsutum L.). Dados de planta e de solo foram coletados em uma área de 90 ha dividida em malha com espaçamento regular de 100 m entre pontos. Para detectar a variação na pequena escala, amostragens mais intensas foram feitas com espaçamento de 33 m, formando 5 "ilhas", constituindo o total de 170 amostras. Os dados foram submetidos às análises estatísticas descritivas, geoestatística e interpolação, através de krigagem ordinária. A variabilidade, expressa pelo coeficiente de variação, foi baixa a moderada, para todas as variáveis analisadas, com exceção de maçãs retidas e P no solo. Os resultados da análise geoestatística indicaram que os fatores de produção da cultura do algodoeiro apresentam, em sua maioria, dependência espacial a qual deve ser considerada quando da definição de esquemas de amostragem e práticas de manejo do solo e da cultura.

This research aimed at assessing the spatial variability and relationships between factors that affect cotton (Gossypium hirsutum L.) yield. Plant and soil data were collected by a 90 ha area divided in a regular grid of 100 m. In order to detect the variation at small scale, more intense samplings were made with spacing of 33 m, resulting in 5 "clusters" and totalizing 170 samples. Data were submitted to descriptive statistical analysis, geostatistic and interpolation through ordinary kriging. Variability expressed by the coefficient of variation was from low to moderate for all the variables except for retained bolls and soil P content. Geostatistical analysis indicated that most cotton yield factors presented spatial dependence and this should be considered when defining sampling schemes for soil and crop management practices.

Comumente dados de precipitação pluvial apresentam variação e a obtenção da estimativa de sua distribuição espacial é primordial no planejamento agrícola e ambiental. O objetivo neste trabalho foi comparar o método de estimação dos mínimos quadrados ponderados para ajuste de modelos ao semivariograma com o método de tentativa e erro, através da técnica de auto-validação "jack-knifing", para dados de precipitação pluvial média anual do Estado de São Paulo. Observações de precipitação correspondentes ao período de 1957 a 1997 foram usadas para trezentos e setenta e nove (379) estações pluviométricas abrangendo todo o Estado de São Paulo, representando uma área de aproximadamente 248.808,8 km². A periodicidade exibida pelos semivariogramas foi ajustada pelo modelo "hole effect", em que os parâmetros foram estimados com maior precisão pelo método de mínimos quadrados ponderados quando comparado com o método de tentativa e erro. O método de auto-validação "jack-knifing" mostrou-se adequado para a definição de métodos e modelos a serem usados para semivariâncias, cujo procedimento permitiu definir dezesseis vizinhos como o número ideal para a estimativa por krigagem de valores de precipitação pluvial para locais não amostrados no Estado de São Paulo.

Rainfall data presents variability and the attainment of the estimate of its space distribution is essencial in agricultural and environmental planning. The objective of this work is to compare the weighted least squares estimation method for semivariogram modeling with the trial and error fitting estimation method through the jack-knifing validation technique to annual average rainfall in the São Paulo State. Rainfall observations corresponding to the period from 1957 to 1997, from 379 rain gauge stations covering entire São Paulo State, representing an area of approximately 248,808.8 km² were used in this study. The parameters for the hole effect model, used to describe the periodicity exhibited by the semivariograms, were more precisely estimated by using the weighted least square estimation method when compared with the manual fitting method. The jack-knifing technique showed itself to be an adequate tool for the definition of methods and models to be used for semivariance. It also allowed for the definition of 16 neighbors as the ideal number to estimate by kriging the unsampled locations.

Desenvolveu-se este trabalho com o objetivo de analisar a variabilidade espacial da erosividade no Estado do Rio de Janeiro, por meio de análise geoestatística. Os índices de erosividade médios anuais EI30, definidos pelo produto da energia cinética da chuva e sua intensidade máxima em 30 min e KE>25 (definidos como a energia cinética das chuvas com intensidades superiores a 25 mm h-1) foram calculados a partir de dados pluviográficos de 36 estações, enquanto, para outras 57 estações, os mesmos índices foram estimados por meio de equações de regressão, totalizando 93 pontos de amostragem. O modelo matemático ajustado ao semivariograma experimental, para ambos os índices, foi o exponencial. A partir dos parâmetros dos modelos ajustados, foi possível gerar mapas de erosividade pelo método da krigagem, que apresenta vantagens em relação aos métodos convencionais. Além disso, também foram gerados mapas de variância de krigagem. Os maiores valores de erosividade foram observados nas regiões Serrana e da Baía da Ilha Grande, enquanto os menores valores foram observados nas regiões norte e noroeste do Estado. As maiores variâncias de krigagem foram observadas nas regiões Litorânea e Norte, que são as que apresentam menores densidades de amostragem.

The objective of this study was to analyze the spatial variability of the rainfall erosivity indices for the State of Rio de Janeiro, Brazil, using geostatistical analysis. Rainfall erosivity indices EI30 (defined by the product of kinetic energy of the rainfall and its maximum intensity on 30 minutes), and KE>25 (defined as the kinetic energy of the rain just to rainfall intensity higher than 25 mm h-1) were calculated using rain charts for 36 stations, while for the remaining 57 locations, this indices where estimated using standard regression procedures with rain gauges data. Therefore, the total number of points for the entire state was 93. The experimental semivariograms calculated for both indices were exponential. Using the model fitted to the experimental semivariograms it was possible to interpolate values for the locations where they were not known using kriging, which has advantages among other methods. Moreover, kriging variance maps were also generated. The largest values found for the rainfall erosivity indices were located at the Sierra regions and at Ilha Grande Bay, while the smallest values occurred at the Northern and Northwestern Regions of the state. The largest kriging variance values occurred at the Coastal and Northern Regions, where the data density is the smallest.