Analysis of spatial variation in soil fertility for the delimitation of homogeneous management zones in precision agriculture | Análisis de variación espacial de la fertilidad del suelo para la delimitación de zonas de manejo homogéneo en agricultura de precisión

Inglés. This study analyzed spatial soil fertility variability in a 1440 m² plot in Mosquera, Colombia, to create homogeneous management zones for precision agriculture.  480 soil samples were collected using a 3x1 m grid, analyzing pH, electrical conductivity, phosphorus, exchangeable cations, microelements, and soil organic matter (SOM).  Principal Component Analysis (PCA) identified SOM, pH, and electrical conductivity as key indicators for zoning. Kriging interpolation mapped these properties, revealing high variability.  The exponential model best represented the semivariograms.  Fuzzy clustering, based on indicator thresholds, divided the plot into two zones, with high overlap between pH and SOM-based divisions.  A QUEFTS model simulated crop yield, showing that optimized N and K fertilization, based on zoning, maximized yields. The study demonstrates the effectiveness of using PCA and Kriging to create management zones.  SOM-based zoning improved P and K fertilization management, while pH-based zoning targeted micronutrient differences.  The results highlight the potential of precision agriculture to improve crop yields and resource efficiency.  Future research should incorporate physical soil properties and climatic variations for more comprehensive zone management.

Español; castellano. Este estudio analizó la variabilidad espacial de la fertilidad del suelo en una parcela de 1440 m² en Mosquera, Colombia, para crear zonas de manejo homogéneas para la agricultura de precisión. Se recolectaron 480 muestras de suelo usando una cuadrícula de 3x1 m, analizando pH, conductividad eléctrica, fósforo, cationes intercambiables, microelementos y materia orgánica del suelo (MOS). El análisis de componentes principales (PCA) identificó la MOS, el pH y la conductividad eléctrica como indicadores clave para la zonificación. La interpolación Kriging mapeó estas propiedades, revelando una alta variabilidad. El modelo exponencial se ajustó mejor a los semivariogramas. El clustering difuso, basado en los umbrales de los indicadores, dividió la parcela en dos zonas, con una alta superposición entre las divisiones basadas en pH y MOS. Un modelo QUEFTS simuló el rendimiento de los cultivos, mostrando que la fertilización optimizada de N y K, basada en la zonificación, maximizó los rendimientos. El estudio demuestra la efectividad del uso de PCA y Kriging para crear zonas de manejo. La zonificación basada en MOS mejoró el manejo de la fertilización P y K, mientras que la zonificación basada en pH se enfocó en las diferencias de micronutrientes. Los resultados destacan el potencial de la agricultura de precisión para mejorar los rendimientos de los cultivos y la eficiencia de los recursos.  Investigaciones futuras deberían incorporar las propiedades físicas del suelo y las variaciones climáticas para un manejo de zonas más completo.