:
Resumen
El manejo sitio-específico demanda la identificación de sub-regiones homogéneas, o zonas de manejo (ZM), dentro del espacio productivo. Sin embargo, definir ZM suele ser complejo debido a que la variabilidad espacial del suelo puede depender de varias variables. La zonificación o delimitación de ZM puede realizarse utilizando una variable de suelo a la vez o considerando varias variables simultáneamente. Entre los métodos de análisis multivariado, difundido para la zonificación, se encuentra el análisis de conglomerados fuzzy k-means (KM) y el análisis de componentes principales (PCA). No obstante, como otros métodos multivariados, éstos no han sido desarrollados específicamente para datos georreferenciados. Una nueva versión del PCA, conocido como MULTISPATI-PCA (PCAe), permite contemplar la autocorrelación espacial entre datos de variables regionalizadas. El objetivo de este estudio fue proponer una nueva estrategia de análisis para la identificación de ZM, combinando la aplicación KM y PCAe sobre datos de múltiples variables de suelo. La capacidad del método propuesto se evaluó en base a la comparación de los rendimientos promedios alcanzados en cada zona delimitada, tanto para la combinación de KM con PCA, la aplicación tradicional de KM sobre las variables originales y la nueva propuesta KM-PCAe. Los resultados mostraron que KM-PCAe fue el único método que permitió distinguir zonas estadísticamente diferentes en cuanto al potencial productivo. Se concluye que la combinación propuesta constituye una herramienta importante para el mapeo de la variabilidad espacial y la identificación de ZM a partir de datos georreferenciados.
Mariano Córdoba, Universidad Nacional de Córdoba−UNC y Consejo Nacional de Investigaciones Científicas y Técnicas−CONICET. Córdoba
Facultad de Ciencias AgropecuariasMónica Balzarini, Universidad Nacional de Córdoba−UNC y Consejo Nacional de Investigaciones Científicas y Técnicas−CONICET. Córdoba
Facultad de Ciencias AgropecuariasCecilia Bruno, Universidad Nacional de Córdoba−UNC y Consejo Nacional de Investigaciones Científicas y Técnicas−CONICET. Córdoba
Facultad de Ciencias Agropecuarias.José Luis Costa, Instituto Nacional de Tecnología Agropecuaria- INTA. Buenos Aires
Estación Experimental BalcarceArrouays D, Saby NPA, Thioulouse J, Jolivet C, Boulonne L, Ratié C. 2011. Large trends in French topsoil characteristics are revealed by spatially constrained multivariate analysis. Geoderma 161:107-114. https://doi.org/10.1016/j.geoderma.2010.12.002
Bivand RS. 2012. Spdep: spatial dependence: weighting schemes, statistics and models. R package version 0.5-46. En: http://CRAN.Rproject.org/package=spdep; consulta: junio de 2012.
Burgos JJ, Vidal AL. 1951. Los climas de la República Argentina según la nueva clasificación de Thornthwaite. Meteoros 1:3-32. Chessel D, Dufour AB, Thioulouse J. 2004. The ade4 package-I- One-table methods. R News 4:5-10.
Córdoba M, Balzarini M, Bruno C, Costa JL. 2012. Análisis de componentes principales con datos georreferenciados. Una aplicación en agricultura de precisión. Rev FCA UNCuyo. 44(1):27-39.
Corwin DL, Lesch SM, Oster JD, Kaffka SR. 2006. Monitoring management-induced spatio-temporal changes in soil quality through soil sampling directed by apparent electrical conductivity. Geoderma 131:369-387. https://doi.org/10.1016/j.geoderma.2005.03.014
Corwin DL, Lesch SM. 2010. Delineating site-specific management units with proximal sensors. In: Oliver MO, editores. Geostatistical applications for precision agriculture. New York, NY: Springer. pp. 139-165. https://doi.org/10.1007/978-90-481-9133-8_6
Dray S, Said S, Debias F. 2008. Spatial ordination of vegetation data using a generalization of Wartenberg's multivariate spatial correlation. J Veg Sci 19:45-56. https://doi.org/10.3170/2007-8-18312
Eastman JR. 2009. IDRISI Taiga. Worcester, MA: Clark University.
Farahani HJ, Flynn RL. 2007. Map Quality & Zone Delineation as affected by width of parallel swaths of mobile agricultural sensors. Biosyst Eng 96 (2):151-159 https://doi.org/10.1016/j.biosystemseng.2006.10.010
Fridgen JJ, Kitchen NR, Sudduth KA, Drummond ST, Wiebold WJ, Fraisse CW. 2004. Management zone analyst (MZA): software for subfield management zone delineation. Agron J 96:100-108. https://doi.org/10.2134/agronj2004.0100
Gili A, Balzarini M, Buschiazzo D. 2010. Variabilidad espacial de parámetros edáficos en distintos Sistemas de labranza. En: XXII Congreso Argentino de la Ciencia del Suelo. Rosario, Argentina.
Gregoret M, Díaz Zorita M, Dardanelli J, Bongiovanni R. 2011. Regional model for nitrogen fertilization of site-specific rainfed corn in haplustolls of the central Pampas, Argentina. Precis Agric 12(6):831-849. https://doi.org/10.1007/s11119-011-9224-7
Hotelling H. 1936. Relations between two sets of variables. Biometrika 28:321-377. https://doi.org/10.1093/biomet/28.3-4.321
Jaynes DB, Colvin TS, Kaspar TC. 2005. Identifying potential soybean management zones from multi-year yield data. Comp Electron Agric 46:309-327. https://doi.org/10.1016/j.compag.2004.11.011
Johnson CK, Mortensen DA, Wienhold BJ, Shanahan JR, Doran JW. 2003. Site-specific management zones based on soilel ectrical conductivity in a semiarid cropping system. Agron J 95:303-315. https://doi.org/10.2134/agronj2003.0303
Johnson RA, Wichern DW. 2007. Applied multivariate statistical analysis. 6a ed. New York, NY: Prentice Hall. https://doi.org/10.1002/0471667196.ess6094
Li Y, Shi Z, Li F, Li HY. 2007. Delineation of site-specific management zones using fuzzy clustering analysis in a coastal saline land. Comp Electron Agric 56:174-186. https://doi.org/10.1016/j.compag.2007.01.013
Moral FJ, Terrón JM, Marques da Silva JR. 2010. Delineation of management zones using mobile measurements of soil apparent electrical conductivity and multivariate geostatistical techniques. Soil Till Res 106:335-343. Moral FJ, Terron JM, Rebollo FJ. 2011. Site-specific management zones based on the Rasch model and geostatistical techniques. Comput Electron Agric 75(2):223-230. https://doi.org/10.1016/j.compag.2010.10.014
Ortega RA, Santibañez OA. 2007. Determination of management zones in corn (Zea mays L.) based on soil fertility. Comp Electron Agric 58:49-59. https://doi.org/10.1016/j.compag.2006.12.011
Peralta NR, Castro Franco M, Costa JL. 2011. Relación espacial entre variables de sitio y rendimiento para la delimitación de zonas de manejo mediante el uso de herramientas informáticas. Congreso AgroInformática. Córdoba, Argentina: JAIO. pp. 58-69.
Rodríguez-Pérez JR, Plant RE, Lambert JJ, Smart DR. 2011. Using apparent soil electrical conductivity (ECa) to characterize vineyard soils of high clay content. Precis Agric 12:(6)775-794. https://doi.org/10.1007/s11119-011-9220-y
Roel A, Terra J. 2007. Muestreo de suelos y factores limitantes del rendimiento. Introducción a la agricultura de precisión. En: Bongiovanni R, Mantovani EC, Best S, Roel A, editores. Agricultura de Precisión: Integrando conocimientos para una agricultura moderna y sustentable. Montevideo: PROCISUR; IICA. pp. 65-80.
SAGyP, Secretaría de Agricultura, Ganadería y Pesca de la Nación Argentina; INTA, Instituto Nacional de Tecnología Agropecuaria. 1989. Mapa de suelos de provincia de Buenos Aires. Escala 1: 500000. Buenos Aires: Proyecto PNUD Arg. 85/019.
Schabenberger O, Pierce FJ. 2002. Contemporary statistical models for the plant and soil sciences. New York, NY: CRC Press. https://doi.org/10.1201/9781420040197
Xin-Zhong W, Guo-Shun L, Hong-Chao H, Zhen-Hai W, Qing-Hua L, Xu-Feng L, Wei-Hong H, Yan-Tao L. 2009. Determination of management zones for a tobacco field based on soil fertility. Comp Electron Agric 65:168-175. https://doi.org/10.1016/j.compag.2008.08.008
Descargas
