Estimar corretamente a produção futura da safra de café auxilia os setores públicos e privados, na tomada de decisão em diversos âmbitos do planejamento e evitam especulações com esta “commodity”, que podem afetar negativamente o setor. Objetivou-se avaliar o uso da geoestatística aplicada à estimativa de safra em dois modelos matemáticos, que utilizaram como parâmetros índices fenológicos na cultura do café (Coffea arabica L.). O experimento foi realizado em área de 1 ha, com a cultivar de café Catuai Vermelho IAC-144, idade de 5 anos. Nesta área, foram coletados 50 pontos amostrais. A estimação de produção e a obtenção da produção real ocorreram no ano de 2013. Procedeu-se à análise das diferenças (resíduos) entre a produção observada (PO) e a produção pelos modelos estimadores, propostos por: Fahl et al. (2005) (M1) e Miranda, Reinato e Silva (2014) (M2). Para estimar o semivariograma teórico, foi utilizado o método dos quadrados mínimos ordinários. Nas condições nas quais esta pesquisa foi conduzida, pode-se afirmar que todos os atributos apresentaram dependência espacial, sendo possível a distinção entre áreas com maior e menor variabilidade, observadas através dos mapas de krigagem. Pela análise da estatística descrita e geoestatística, foi possível verificar que o modelo M2 demonstrou ser superior ao M1, podendo ser empregado para estimativa de produtividade de safra do cafeeiro por produtores e empresas que comercializam no mercado futuro.
Correctly estimate coffee harvests assist public and private sectors in decision making in various areas of planning and avoid speculation with commodity that negatively affect the industry. The present work aimed to evaluate the use of geostatistics applied to harvest estimate two models using parameters such as phenological indices in the culture of coffee (Coffea arabica L.). The experiment was carried out in an area of one hectare cultivated with Red Catuai IAC-144, 5 years-old plants. 50 points of data were collected within this area. Data collection for the estimation models and obtaining the actual production occurred respectively in the months of March and May 2013. Then, the analysis of the residues was done between the observed (PO) and the estimate models, proposed by: Fahl et al. (2005) (M1) and Miranda, Reinato and Silva (2014) (M2). The minimum ordinary squares method was used estimate the theoretical semi variation. After being selected and validated, the model became the plot map of estimated by ordinary kriging. Considering the assumptions this research was conducted, it can be affirmed that all attributes presented spatial dependency, allowing distinction between areas of high and low variability observed in kriging maps. Using descriptive statistical analysis and geo-statistics, it was possible to verify that M2 mathematical model presented more accurate estimates than M1, thus being the best choice for estimating coffee productivity harvest conducted by coffee producers and companies that trade this commodity in future markets.
