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

Spanish; Castilian. 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. Palabras clave: agricultura de precisión, variables regionalizadas, datos correlacionados espacialmente.

English. Site-specific management demands the identification of homogeneous subfield regions within the field or management zones (MZ). However, due to the spatial variability of soil variables, determination of MZ from several variables, is often complex. Although the zonification or delimitation of MZ may be univariate, it is more appropriate to consider all variables simultaneously. Fuzzy k-means clustering (KM) and principal component analysis (PCA) are multivariate analyses that have been used for zonification. Nevertheless, PCA and KM have not been explicitly developed for georeferenced data. Novel versions of PCA, known as MULTISPATI-PCA (PCAe), incorporate spatial autocorrelation among data of neighbor sites of regionalized variables. The objective of this study was to propose a new analytical tool to identify homogeneous zones from the combination of KM and PCAe on multiple soil variable data. The performance of proposed method was assessed through comparison of the average yields obtained in each zone delimited by combination of KM with PCA, as well as KM on the original variables and the new proposed method KM-PCAe. The results showed that KM-PCAe was the only method able to identify zones statistically different in terms of production potential. PCAe and its combination with KM are useful tools to map spatial variability and to identify MZ within fields from georeferenced data. Keywords: precision agriculture, regionalized variables, spatially correlated data.