Identificación de zonas de manejo sitio-específico a partir de la combinación de variables de suelo

• Published in: Ciencia y Tecnología Agropecuaria Vol. 13; no. 1; pp. 47 - 54
• Main Authors: Córdoba, Mariano, Balzarini, Mónica, Bruno, Cecilia, Costa, José Luis
• Format: Journal Article
• Language: English; Spanish
• Published: Bogota AgroSavia. Corporación Colombiana de Investigación Agropecuaria 01.01.2012; Corporación Colombiana de Investigación Agropecuaria (Corpoica)
• Subjects: Agricultura De Precisión; Cluster analysis; Clustering; Complex variables; Datos Correlacionados Espacialmente; Geographic information systems; precision agriculture; Principal components analysis; regionalized variables; Soils; Spatial data; spatially correlated; Variability; Variables; Variables Regionalizadas; Vector quantization
• ISSN: 0122-8706; 2500-5308; 2500-5308
• DOI: 10.21930/rcta.vol13_num1_art:239

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.