Principal component analysis with georeferenced data An application in precision agriculture | Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión

Английский. La utilización de nuevas tecnologías asociadas a la agricultura de precisión permite capturar información de múltiples variables en gran cantidad de sitios georreferenciados dentro de lotes en producción. Las covariaciones espaciales de las propiedades del suelo y el rendimiento del cultivo pueden evaluarse a través del análisis de componentes principales clásico (PCA). No obstante, como otros métodos multivariados descriptivos, el PCA no ha sido desarrollado explícitamente para datos espaciales. Nuevas versiones de análisis multivariado permiten contemplar la autocorrelación espacial entre datos de sitios vecinos. En este trabajo se aplican y comparan los resultados de dos técnicas multivariadas, el PCA y MULTISPATI-PCA. Este último incorpora la información espacial a través del cálculo del índice de Moran entre los datos de un sitio y el dato promedio de sus vecinos. Los resultados mostraron que utilizando MULTISPATI-PCA se detectaron correlaciones entre variables que no fueron detectadas con el PCA. Los mapas de variabilidad espacial construidos a partir de la primera componente de ambas técnicas fueron similares; no así los de la segunda componente debido a cambios en la estructura de co-variación identificada, al corregir la variabilidad por la autocorrelación espacial de los datos. El método MULTISPATI-PCA constituye una herramienta importante para el mapeo de la variabilidad espacial y la identificación de zonas homogéneas dentro de lotes.

Испанский язык; кастильский. La utilización de nuevas tecnologías asociadas a la agricultura de precisión permite capturar información de múltiples variables en gran cantidad de sitios georreferenciados dentro de lotes en producción. Las covariaciones espaciales de las propiedades del suelo y el rendimiento del cultivo pueden evaluarse a través del análisis de componentes principales clásico (PCA). No obstante, como otros métodos multivariados descriptivos, el PCA no ha sido desarrollado explícitamente para datos espaciales. Nuevas versiones de análisis multivariado permiten contemplar la autocorrelación espacial entre datos de sitios vecinos. En este trabajo se aplican y comparan los resultados de dos técnicas multivariadas, el PCA y MULTISPATI-PCA. Este último incorpora la información espacial a través del cálculo del índice de Moran entre los datos de un sitio y el dato promedio de sus vecinos. Los resultados mostraron que utilizando MULTISPATI-PCA se detectaron correlaciones entre variables que no fueron detectadas con el PCA. Los mapas de variabilidad espacial construidos a partir de la primera componente de ambas técnicas fueron similares; no así los de la segunda componente debido a cambios en la estructura de co-variación identificada, al corregir la variabilidad por la autocorrelación espacial de los datos. El método MULTISPATI-PCA constituye una herramienta importante para el mapeo de la variabilidad espacial y la identificación de zonas homogéneas dentro de lotes.