UNIVERSIDAD DE LOS ANDESNÚCLEO “RAFAEL RANGEL”DEPARTAMENTO DE CIENCIAS AGRARIASTRUJILLO, ESTADO TRUJILLO

VARIABILIDAD ESPACIAL DE SUELOS YAGRICULTURA DE PRECISION, DOSHERRAMIENTAS BASICAS PARA LOS

ESTUDIOS DE FERTILIDAD DE SUELOS

1

Informe de Sabático presentado por

Dr.Oswaldo Fernández

CI: 371809001 de Mayo, 2005

VARIABILIDAD ESPACIAL DE SUELOS Y AGRICULTURA DEPRECISION, DOS HERRAMIENTAS BASICAS PARA LOS

ESTUDIOS DE FERTILIDAD DE SUELOS

Objetivo General:

Realizar una revisión bibliográfica de todas las herramientas que se usanen los estudios de variabilidad espacial de suelos y su conexión con lasnuevas tecnologías de “Agricultura de Precisión”, las cuales se usan hoy endía para el Manejo de la Agricultura Sustentable

INTRODUCCIÓN

La variabilidad espacial de las propiedades del suelo y delos rendimientos de los cultivos ha sido reconocida desdelos inicios de la agricultura. Una nueva tecnología, llamadaAgricultura de Precisión (AP) permite medir y manejar lavariabilidad espacial para aumentar la eficiencia productivay disminuir el impacto ambiental.

La definición más simple de Agricultura de Precisión (Ortegay Flores, 1999), establece que esta corresponde a un grupode tecnologías que permiten la aplicación de insumosagrícolas, tales como fertilizantes, semillas, plaguicidas,etc., en forma variable dentro de un potrero, de acuerdo a

2

los requerimientos y/o potencial productivo de variossectores homogéneos, predefinidos dentro del mismo.

Bajo el término agricultura de precisión o agricultura porsitio especifico, se engloba toda una filosofía respaldadapor una serie de procedimientos tecnológicos para el manejode las plantaciones en forma intensiva. Esta filosofíapropone atender en forma diferenciada los factores deproducción de acuerdo a las características específicas decada sitio, con el fin de maximizar la eficiencia en el usode los recursos, y minimizar los efectos de contaminación,usando como unidad de manejo, el área más pequeña para lacual se cuenta con información de respaldo.

Metodológicamente implica la incorporación de lasherramientas tecnológicas disponibles en la actualidad,especialmente aquellas que contemplan la referenciacióngeográfica de sitios vía satélite, unidos a bases de datosde información de esos sitios concretos, como sustento sobrela cual se apoyan las decisiones para el manejo.

El proceso necesita la recolección de información en cadasitio, su ordenamiento y análisis y, finalmente, ladiagramación de las estrategias para atender las limitantesa nivel de sitio. El manejo de las fincas por lotes osecciones, es una tendencia que viene fortaleciéndosegradualmente en la mayoría de las actividades agrícolas.

Definido de una manera simple, el manejo sitio específico(MSE), o Agricultura de Precisión, es tratar áreas menoresdentro de lotes de una manera distinta a la que manejaría ellote entero. El manejo sitio especifico reconoce eidentifica variaciones en el tipo de suelo, textura, color,nutrientes, y productividad dentro de los lotes; luego tratade manejar esa variabilidad en una escala mucho menor que enlas practicas normales. Incluye recolectar, interpretar ymanejar gran cantidad de datos agronómicos detallados, delugares precisos en los lotes en un intento de ajustar ymejorar la eficiencia de la producción de cultivos.

3

El área de mayor desarrollo de la AP es el Manejo deNutrientes Sitio-Especifico (MNSE), también llamadoTecnología de Dosis Variable (TDV), que corresponde a laaplicación variable de dosis de fertilizantes de acuerdo alnivel de fertilidad de cada sector de manejo homogéneodentro de la parcela, lo cual significa que no se trabajanecesariamente con una sola dosis de fertilizante, sino contantas dosis como áreas significativamente homogéneasexistan en la explotación.

Hasta hace poco cuando se analizaba el suelo de una parcela,lo importante, había sido tomar una muestra“representativa”, mientras caminábamos, pero esta media norefleja lo que sucede realmente en el terreno, a menos quese trate de parcelas muy homogéneas y aun así, seencuentran diferencias que pueden llegar a sersignificativas. Si conociéramos lo que sucede en cada zonadel terreno, podríamos mejorar su productividad, del mismomodo que se hace con los animales al suministrarles unaración individualizada. Es exactamente como lo hacia hacemuchos años el pequeño agricultor en sus parcelas, aunquecon menos conocimientos agronómicos, pero que tuvo quesuspender debido a la mecanización, ya que las maquinastrabajan mejor en parcelas grandes, lo cual conllevó a quetodo el terreno se le tratara de manera igual, conindependencia de su naturaleza y posición. Por medio de lossistemas modernos hoy en día ya podemos aplicar al campoeste tratamiento diferencial, para lo cual debemos conocer,la variabilidad de los parámetros (pH, Materia Orgánica, CE,Nitrógeno, Fósforo, Potasio, Calcio, Magnesio, etc) delsuelo, la posición exacta de las maquinarias durante surecorrido por el terreno y disponer del Sistema deInformación Geográfica (SIG) y del Sistema dePosicionamiento Global (GPS).

El MSE reconoce que la extensa variabilidad espacial enpropiedades del suelo y productividad de los cultivos es lanorma mas que la excepción en la gran mayoría de los lotes

4

(Mulla y Schepers, (1997). El objetivo del MSE esidentificar, caracterizar y manejar las limitacionesproductivas, económicas y ambientales más relevantes en cadasitio y tiempo determinado. Desde el punto de vista delmanejo de la fertilidad de suelos y nutrición de cultivos,la AP ofrece la posibilidad de realizar aplicaciones dedosis variables de fertilizantes según las necesidades delcultivo en cada sitio y momento para alcanzar una mayoreficiencia del recurso fertilizante optimizando el beneficioeconómico, reduciendo el impacto ambiental y mejorando laeficiencia de uso de los otros factores involucrados en laproducción agrícola.

REVISION DE LITERATURA

VARIABILIDAD DE LAS PROPIEDADES DEL SUELO

Hay numerosos factores de la producción en un sistemaproductivo agrícola, pero no obstante, la variabilidad queexiste dentro de un lote se puede resumir en tres clases: 1)natural, tales como tipo de suelo y topografía; 2)aleatoria, como las precipitaciones y 3) de manejo, como laaplicación de fertilizantes, la densidad de siembra, etc. Lainteracción entre estas tres fuentes de variabilidad generaimpactos que van mas allá de los márgenes de una parcela olote (Hatfield, 2000).

La variabilidad natural incluye (a) variabilidad desuelos, (b) variabilidad biológica, y (c) variabilidad delos procesos dinámicos del suelo. El suelo puede variarespacialmente en la capacidad de retención de humedad,materia orgánica, y en otras características físicas yquímicas por tipo de topografía, como

La variabilidad de las propiedades del suelo es unacondición inherente al mismo, debido a que en su formación

5

intervienen varios procesos diferentes, controlados, a suvez, por los factores de formación; estas interaccionespueden ser muy variables dando como consecuencia una altacantidad de suelos posibles.

La variabilidad depende de la propiedad que se analice,siendo más variables las propiedades químicas que lasfísicas. Además hay menor variabilidad en las propiedadesdel suelo, en su condición natural que cuando es sometido auso. Aquellas propiedades que mas se afectan por el manejodel suelo serán las que presenten la mayor variabilidad(Ovalles, 1992).

Burrough (1993) considera que cuando la acción de unfactor de formación domina el desarrollo del suelo porlargos periodos de tiempo, se puede llegar a reducir lavariabilidad en él; con esta anotación puede concluirse quelos suelos mas evolucionados presentan menor variabilidadque aquellos que lo son menos.

COMPONENTES DE LA VARIABILIDAD

La variabilidad espacial de los suelos presenta doscomponentes fundamentales: uno Aleatorio y otro Sistemático,teniendo en cuenta la fuente de error que produce lavariación.

Wilding y Drees (1983), citados por Fernández O.(1989), definen la variabilidad sistemática como los cambiosgraduales o tendencias en las propiedades del suelo quepueden ser entendidos en función de cambios de los factoresy procesos formadores del suelo, a una escala dada deobservación. Upchurch y Edmonds (1992), definen lavariabilidad sistemática como aquella que puede seratribuida a causas conocidas, entendibles y predecibles.

Este tipo de variabilidad se reconoce porque losvalores de las propiedades del suelo cambian de acuerdo con

6

la ubicación que presenta la muestra analizada, bien sea enel espacio (Variabilidad Espacial) o en el tiempo(Variabilidad Temporal). La variabilidad temporal es unfactor importante en procesos nutricionales relacionados conlas poblaciones de microorganismos del suelo y/o condicionesambientales. El tipo de variabilidad sistemática, en lossuelos, lo constituye la variabilidad espacial, la cual secaracteriza porque las propiedades que la presentanadquieren valores diferentes dependiendo de la ubicación y/odel espaciamiento entre las muestras utilizadas paracaracterizarlas.

Cuando la variabilidad no puede relacionarse con causasconocidas, Upchurch y Edmonds (1992), la definen comovariabilidad aleatoria o debida al azar y estiman que en lossuelos, en general, la variabilidad sistemática es mayor quela variabilidad aleatoria, aunque reconocen que la relaciónentre los dos tipos de variabilidad puede tener una altadependencia de la escala de trabajo. En suma, hay a menudofuentes de variación espacial o temporal que no pueden seroriginadas por la naturaleza o escala de observación. Estaheterogeneidad no explicada es llamada variación al Azar,“random” o “chance” por Wilding y Drees (1983) o “noise” porWebster y Cuanalo, (1975).

FUENTES DE LA VARIABILIDAD DEL SUELO

La variabilidad del suelo es el producto de factores yprocesos de formación operando e interactuando sobre elterritorio a escala espacial y/o temporal. Los procesosformadores que intervienen en distancias grandes como elclima (espacial), o a lo largo de períodos de tiempo, porejemplo, la meteorización del suelo (temporal), sonmodificados por otros procesos formadores que operan másespecíficamente, como la erosión y deposición de materialesparentales, quizás sucediendo más frecuentemente en eltiempo, dándole a ese suelo características particulares quelo hacen diferir de otros suelos vecinos.

7

La variabilidad va depender del estudio de la propiedaddel suelo considerada. Estas se agrupan en dos clases:físicas y químicas. Cada grupo de propiedades tiene uncomportamiento diferente, siendo las químicas las quepresentan mayor variación (Beckett y Webster, 1971). Deigual manera, el comportamiento de ellas va a variar enfunción del uso del suelo. El tipo de uso y la intensidad demanejo influyen en la variabilidad de las propiedades delsuelo bajo condiciones de cultivo; con un uso masdiversificado y mayor intensidad de manejo se ha observadouna mayor variabilidad de las propiedades del suelo.

Por lo tanto, la varianza total se aumentará con el

incremento del área de muestreo (Beckett y Webster, 1971).Sin embargo, gran parte de la variabilidad para muchaspropiedades puede ocurrir en distancias cortas dentro de launidad del suelo muestreada. El cambio de la variabilidadcon el crecimiento del factor escala puede ser una funciónlineal, curvilínea o irregular, donde los diferentesprocesos formadores del suelo ejerzan efectos determinantessobre las diferentes escalas espaciales (Webster y Butler,1976).

TEORÍA DE LA GEOESTADÍSTICA

La Geoestadística se refiere al estudio de losfenómenos naturales, y está representada por una serie detécnicas estadísticas que permiten analizar a las variablesregionalizadas, la misma fue realizada por Matheron (1963).La Geoestadística se ocupa del estudio de la distribución enel espacio de valores de gran utilidad para la Ingeniería deMinas, Geología, Edafología y otras ciencias de la cortezaterrestre.

La Geoestadística esta basada sobre tres conceptosfundamentales: Variables Regionalizadas, Funciones al Azar yEstacionalidad.

8

Los principios de la Geoestadística han sidoampliamente discutidos por diversos autores (Matheron 1963,Olea 1975, Ovalles 1986 y Webster 1985). La Geoestadísticatiene como aspecto relevante el tomar en cuenta ladependencia espacial que existe entre observaciones,mientras más cercanas estén las muestras, ellas serán mássimilares a mayor distancia de separación las observacionesserán menos similares.

Un reciente desarrollo sobre la teoría estadística hafacilitado las relacionales existentes entre las muestras,permitiendo cuantificarlas y usarlas para interpolar otransferir valores en localidades no muestreadas. Esedesarrollo esta basado en la teoría de las VariablesRegionalizadas (Matheron 1963 y 1965). Una variableregionalizada no es mas que una función que describe unfenómeno natural geográficamente distribuido (Olea 1977),las variables regionalizadas están caracterizadas por:

1. Localización, una variable regionalizada esta definidanuméricamente por un valor que esta asociado con unaunidad de muestreo, con un tamaño, forma y orientacióndefinidos, conocidos en conjunto como el soportegeométrico.

2. Anisotropía, los cambios de las variables pueden sermayores en una dirección que en otra.

3. Continuidad, la variación de las variablesregionalizadas puede ser muy alta o muy baja,dependiendo de las características del área estudiada,pero independiente de esto, existe un promedio decontinuidad de la variable en el espacio.

La tasa de cambio promedio de las variablesregionalizadas puede ser estimada con la semivarianza. Lasemivarianza es una medida de la similitud que existe entreobservaciones situadas a una determinada distancia; Mientras

9

más similares sean las observaciones menor es lasemivarianza

VARIABILIDAD ESPACIAL DE SUELOS

Con el desarrollo de la teoría de las variablesregionalizadas y su incorporación a los estudios de suelo,se han adquirido herramientas estadísticas que ayudan aevaluar buena parte de dicha variabilidad, mejorando así losresultados que se obtienen en la investigación hecha ensuelos.

Cuando el valor que toma una variable en un sitiodepende de la distancia y/o la dirección a la cual se ubicade otro sitio vecino, se tiene una variable con dependenciaespacial. Si una variable presenta dependencia espacial,durante el muestreo se puede violar el principio de laindependencia entre las muestras y los procedimientos de laestadística paramétrica clásica no son adecuados para suestudio. Para el estudio de este tipo de variables se tieneun grupo de herramientas estadísticas conocidos con elnombre genérico de “Geoestadística” o “EstadísticaEspacial”.

ANÁLISIS DE DEPENDENCIA ESPACIAL

Las conceptualizaciones y definiciones de variablesregionalizadas, proveen las bases teóricas para el análisisde dependencia espacial, usando la autocorrelación o lossemivariogramas.

Un semivariograma, es una grafica que representa losvalores de semivarianza que adquiere la variable en relacióncon el espaciamiento entre muestras. El semivariograma es unvariograma aproximado y algunos autores no hacen ningunadiferenciación entre los dos términos.

10

La semivarianza no es más que la varianza de lasdiferencias de valores de una propiedad entre pares depuntos separados por una distancia, la semivarianza seestima mediante la siguiente ecuación:

(h) = 1/2N [Z(x) –Z(x + h)2

Donde: (h) = Semivarianza. N = Números de pares.Z(x) = Valor del atributo en el lugar (x).

Z(x + h) = Valor del atributo a una distancia (h) del lugar (x).

Donde hay N(h) pares de muestras. Entonces un diagramade semivarianza versus el intervalo (h) para una direccióndada es usualmente representado por el semivariograma.

Para el análisis de semivarianza, el grupo de datosdebe tener una distribución normal y estacionalidad, esdecir, que para todas las distancias la varianza de lasdiferencias de valores en las posiciones definidas seafinitas e independientes de la posición; Burrough (1993), haencontrado que la no estacionalidad en los datos no afectaapreciablemente el análisis de varianza y adiciona que lasemivarianza es más sensible a las distribucionesasimétricas de los datos y a las tendencias que a la noestacionalidad.

El procedimiento básico para llevar a cabo el análisisde semivarianza es el siguiente:

Se definen las distancias de muestreo.

Se hace el muestreo cuidadosamente para no confundirmuestras.

11

La ubicación de cada muestra debe ser referenciadamediante coordenadas (X, Y) o (X, Y, Z), verdaderaso artificiales.

Se debe tener sumo cuidado en la elaboración de labase de datos.

Cuando ya se tiene la base de datos completa se debehacer un análisis exploratorio de los mismos con elfin de:

Comprobar la distribución normal o, por lo menos,que no hay asimetría.

Detectar valores anómalos o extremos.

Comprobar que no hay tendencias.

Se obtiene el semivariograma y se analizan suscaracterísticas.

Cuando se tiene la distribución de puntos en elsemivariograma, esta distribución se ajusta a un modeloteórico. Burrough (1992) reúne los semivariogramas ajustadosa dos grandes grupos:

Transicionales: aquellos en los cuales la semivarianzase incrementa al ir aumentado el espaciamiento entremuestras, hasta un cierto valor de distancia, a partir de lacual la semivarianza se estabiliza.

No Transicionales: aquellos en los cuales lasemivarianza crece monótonamente al ir aumentando ladistancia de muestreo, sin estabilizar su valor dentro de lamayor distancia de espaciamiento entre muestras analizadas.

12

PARÁMETROS DE UN SEMIVARIOGRAMA

Un semivariograma experimental puede tomar diferentesformas (ver Figura 1); esto va a depender de la informacióny del intervalo de muestreo usado. Sabemos que lasemivarianza aumenta con la distancia de separación entrelas muestras, ascendiendo hasta llegar a un valor más omenos constante llamado “sill” o umbral, ubicado a unadistancia de separación dada, denominándose esta como elrango de dependencia espacial. El umbral o sill seaproximará a la varianza de la muestra S2, si la informaciónes estacionaria. Por lo tanto aquellas muestras separadaspor una distancia más corta que el rango de dependenciaespacial (R.D.E) están espacialmente relacionadas, mientrasque aquellas que estén separadas por distancias mayores, nolo están, porque en este caso la semivarianza es igual a lavarianza, implicando que la covarianza espacial C(h) esnula, es decir, las propiedades no guardan relación con ladistancia, esto manifiesta una variación mayormente al azar.

El rango del semivariograma dependerá de laescala de observación y de la interacción espacial de losfactores y procesos formadores del suelo que afectan a cadapropiedad según la escala de muestreo usada. No obstante, lasemivarianza puede incrementarse sin presentar un Rango y

13

SEMIV

ARIA

NZA

VARIABILIDAD ESPACIAL (Cl)

M O DELO AJUSTADO

O BSERVACIO NES

SILL (C = Cl + Co)

NUG G ET (Co)

RANG O (a)

DISTANCIA

un Sill definitivo, esto sucede por el efecto de tendenciasy de no estacionalidad (Webster y Burgess 1980). Por otraparte, otros semivariogramas presentan una ausencia completade relación espacial estructural o V.E. = Varianza espacial (Cl) Rango (a) Nugget (Co) Sill (C = Co + Cl.)

Figura 1. Modelo Semivariograma Omnidireccional

sistemática, indicando que no hay relación espacialcuantificable entre las muestras a una escala dada.

Experimentalmente, un semivariograma ideal podríapasar por el origen cuando la distancia de separación delas muestras sea cero. Sin embargo, algunas propiedades delsuelo no tienen una semivarianza cero cuando la distancia htiende a cero. Esta varianza distinta de cero es nombrada“Varianza Nugget” o “Efecto Nugget” o al azar.

La Varianza Nugget representa una varianza no explicadao “random” (azar), que puede ser causada por el error en lasmediciones en el campo o laboratorio, o por lamicrovariabilidad de la propiedad no detectada por laescala de muestreo.

La Varianza Nugget puede también expresarse como unporcentaje del valor del sill, para comparar el tamañorelativo del efecto nugget con la varianza estructural osistemática entre propiedades. Una varianza nugget del 0% esun valor insignificante del sill, indicando que no hayerrores significativos en la varianza a cortas distancias.Cambardella et al (1994) establecieron 3 categorías paraagrupar la importancia de la variabilidad espacial de lasvariables, de acuerdo con el porcentaje que representa elNugget en el Sill, así:

Fuerte dependencia espacial: Nugget < 25 %

14

Moderada dependencia espacial: Nugget entre 25 y75 %

Débil dependencia espacial: Nugget >75 %

Un semivariograma experimental puede exhibir puroefecto Nugget (100% del sill) cuando la semivarianza (h) esigual para todos los valores de (h). La ocurrencia de esteefecto nugget puro se debe a una alta variación en cortasdistancias de separación, esto manifiesta que no haycorrelación espacial en la escala del muestreo. Si sedisminuye la escala de muestreo, puede revelarse laestructura del efecto aparentemente al azar (Burrough,1987).

Si los procesos dominantes de la génesis del sueloocurren en cortos rangos, el semivariograma expondrá unagran varianza Nugget. Ahora bien, si los procesos dominantesocurren en grandes rangos, el semivariograma es lineal hastallegar al sill, donde se aplana. Ahora, si varios procesoscontribuyen por igual a una misma escala el semivariogramaconstará de un grupo de líneas rectas que se aproximan a unacurva. En este caso es muy difícil identificar lacontribución parcial de cada proceso.

Prácticamente todas las propiedades del suelo presentanvariabilidad espacial en varios rangos pero cuando se quiereconocer esta variabilidad con fines de manejo de suelos, esmás importante la variabilidad de rango corto; la de rangolargo es mas útil para el entendimiento de la pedogénesisy/o geogénesis, como lo observaron Yost et al (1982) citadopor Jaramillo, 2002.

Otro aspecto fundamental de la semivariografìa es ladefinición del tipo de dependencia espacial que presenta lavariable que se analiza. Cuando la variabilidad espacial dela variable depende únicamente de la distancia de separaciónentre muestras el semivariograma que se obtiene esIsotrópico. Cuando la variabilidad depende, además delespaciamiento, de la dirección en que se hace el muestreo,

15

el semivariograma es Anisotrópico. La anisotropía estamostrando que los procesos o factores que controlan lavariabilidad de determinada propiedad, ejercen dicho controlde manera diferencial, de acuerdo con ciertas direcciones.

ESTIMACIÓN DE PARÁMETROS

Los parámetros de los semivariogramas pueden serestimados usando la técnica estadística de Regresión pormínimos cuadrados, considerando el número de pares en cadaintervalo (Vieira et al, 1981; Yost et al, 1982). Estatécnica nos da una adecuada aproximación del modelo desemivariograma apropiado; no obstante, evaluando y revisandoexhaustivamente la información, podemos obtener laestructura definitiva del mismo.

Los modelos teóricos de semivariogramas que másfrecuentemente se usan en suelo son: Lineal con Sill,Esférico, Exponencial y Gaussiano, en los transicionales y

el lineal en los no transicionales. (ver Figura 2)

Figura 2. Modelos Teóricos de Semivariogramas

16

LINEAL (NUGGET PURO)

SEMIV

ARIA

NZA

DISTANCIA

ESFÉRICO

EXPONENCIAL

LINEAL CON SILL

LINEAL

Pero es muy importante elegir el modelo más apropiadopara estimar el semivariograma, porque cada uno arrojadiferentes valores para la varianza Nugget y para el Rangode Dependencia Espacial (R.D.E). Quizás utilizaremos por sufácil manejo e interpretación el modelo Esférico, el modeloGaussiano, el modelo exponencial por ser los modelos másadaptables al programa computarizado VARIOWIN (1996).

Corregionalizacion y los Senivariogramas Cruzados

Muchos valores de una propiedad pueden depender enel sentido estadístico de otras variables, en lugarescercanos o vecinos, a la propiedad estudiada. Por ejemplo,el rendimiento de un cultivo puede depender espacialmentedel contenido de arcilla, o del contenido de humedad delsuelo. Donde esto ocurre, se dice que tales variables estánco-regionalizadas y ellas son espacialmente dependientes unade otra. Por analogía con una simple variable, ladependencia entre dos variables puede ser expresada por unsemivariograma cruzado.

El semivariograma cruzado puede ser estimado enforma análoga a un semivariograma de una simple variable.Para un intervalo (lag) (h), el promedio de la semivarianzade todos los pares observados separados por esa distancia(h), N(h), son calculados como:

γuv (h) = 1/2N(h) [Zu(xi) – Zu(xi +h) [Zv(xi)-Zv(xi+h)]

Donde: γuv (h) = Semivarianza CruzadaN = Números de pares.Zu(x) = Valor del primer atributo en el lugar (x).

17

Z(x + h) = Valor del primer atributo a una distancia (h) del lugar (x).

Zv(x) = Valor del segundo atributo en el lugar (x).

Zv(x + h) = Valor del segundo atributo a una distancia (h) del lugar (x).

El programa Variowin (1996), también permite hacer loscálculos para este estadístico, y consecuentemente construirlos semivariogramas cruzados.

FASES EN UN ESTUDIO GEOESTADISTICO

En todo trabajo geoestadistico cabe distinguirtres etapas: (Moral, 2003)

1) Análisis exploratorio de los datos. En esta fase seestudian los datos maestrales sin tener en cuenta sudistribución geográfica. Seria una etapa de aplicaciónde la estadística. Se comprueba la consistencia de losdatos, eliminándose aquellos que sean erróneos, y seidentifican las distribuciones de las cuales provienen.

2) Análisis estructural. Se estudia la continuidadespacial de la variable. En esta etapa se calcula elvariograma experimental, o cualquier otra función quenos explique la variabilidad espacial, se ajusta a losdatos un variograma teórico y se analiza e interpretadicho ajuste al modelo parametrito seleccionado.

3) Predicciones. Se hacen las estimaciones de la variableestudiada en los puntos no maestrales, considerando la

18

estructura de correlación espacial seleccionada eintegrando la información obtenida de forma directa, enlos puntos maestrales, así como la conseguidaindirectamente en forma de tendencias conocidas uobservadas (García y Marques da Silva, 2002).

Especialmente crítica es la fase del análisisestructural. La obtención de modelos geoestadisticosrealistas conlleva a un estudio riguroso delvariograma. Los mas habituales son el Esférico,Exponencial, Gaussiano, el Efecto Pepita (Nugget puro),el Potencial, el Lineal, como caso particular delanterior. Los cuatro primeros son estacionarios, conmeseta, mientras que el potencial (y lineal) no tienemeseta.

Modelización de la variabilidad espacial

Sea Z(x) el valor de una variable en unalocalización x y Z(x+h) el valor de la misma variableen un punto distante h del anterior. En un casobidimensional, x es el punto de coordenadas (x1, x2) yh es un vector con origen en dicho punto y módulo “h”.Generalmente, serán muchos los puntos muestrales quedisten h entre sí. Una forma de mostrar lassimilaridadades o las diferencias entre los valores esmediante un gráfico en el que se representen losvalores Z(x) frente a Z(x+h), denominado gráfico dedispersión-h. Si los valores son parecidos, la nube depuntos estará próxima a la bisectriz del primercuadrante, existiendo una autocorrelación en esavariable.

Cuanto más dispersa sea la nube de puntos, conrespecto a dicha bisectriz, mayor diferencia existiráentre los datos y la autocorrelación será más reducida.Habitualmente, con h reducidas, las nubes de puntos sedisponen muy próximas a la bisectriz, aumentando ladispersión a medida que h se hace mayor. Esto coincidecon la idea intuitiva de mayor parecido entre las

19

muestras que estén más próximas entre sí. Paracuantificar la dispersión de los datos de un gráfico dedispersión-h, se puede emplear el momento de inercia,MI, sobre la bisectriz del primer cuadrante:

siendo xi e yi las coordenadas de los puntos en el gráficode dispersión-h y n el número de puntos

Los gráficos de dispersión-h muestran lassimilaridadades o las diferencias entre los datos muestralesque disten una determinada distancia y en una dirección. Sinembargo, su uso es poco práctico, ya que se requerirían unagran cantidad de gráficos para considerar todas las posiblesdistancias, h, y direcciones espaciales. Por tanto, esnecesaria una herramienta que sea capaz de expresar esainformación de una forma más resumida: el semivariograma ovariograma.

Normalmente, el variograma es una función monótonadecreciente, ya que al incrementarse la distancia, h,aumenta la diferencia, alcanzándose un valor límite,denominado meseta, equivalente a la varianza muestral. Lameseta se alcanza para un valor de h conocido como rango oalcance. El rango determina la zona de influencia en torno aun punto, más allá del cual la autocorrelación es nula.

Sin embargo, no todos los variogramas alcanzan unameseta. Es posible que un variograma no tiendaasintóticamente a la varianza, sino que tienda a infinitocuando así lo haga h. Además, el rango no tiene que serigual en todas las direcciones, reflejando en esa situaciónla existencia de anisotropía. También puede que, para unadirección determinada, haya más de un rango, lo cual indicala presencia de distintas estructuras de correlaciónactuando a diferentes escalas.

El variograma representa la tasa media de cambio deuna propiedad con la distancia, describiendo su forma el

20

patrón de variación espacial en términos de magnitud, escalay aspecto general. El hecho de que dos observacionespróximas sean más parecidas que si éstas estuvieran másseparadas, se refleja en el mismo concepto del variograma;la dependencia espacial disminuye a medida que se incrementala distancia, h, y finaliza a una cierta distancia, elrango. Más allá del rango, la tasa media de cambio esindependiente de la separación entre las observaciones.

Por definición, ?(0) = 0. A pesar de ello,frecuentemente ?(0) muestra un valor positivo, como en losejemplos de la Figura 2, detectándose lo que se denominaefecto pepita (nugget effect en la literatura inglesa). Elefecto pepita representa dos fuentes de variabilidad que,con frecuencia, actúan a la vez. La primera se debe a lavariabilidad a una distancia más pequeña que el menor hconsiderado. Por ejemplo, si una población de insectos seencuentra agregada en las hojas de los árboles y los datosmuestrales se refieren a un conjunto de arboles como unidad,entonces la variabilidad espacial no será detectada y setendrá un importante efecto pepita. La segunda causa de esteefecto suelen ser los errores experimentales. Lainterpretación que se haga de un variograma dependerá deltamaño del efecto pepita, ya que la diferencia entre lameseta (si existe) y el efecto pepita representa laproporción de la varianza muestral que puede modelizarsecomo variabilidad espacial.

Si los variogramas experimentales tienden a lahorizontalidad, con valores próximos a la varianza muestral,ello indica la ausencia de una estructura espacial. Estesería el caso de una población de insectos distribuidosaleatoriamente. La varianza muestral representa lavariabilidad de los datos cuando ocurre esta circunstancia.A estos variogramas se les conoce como efecto pepita puro.

Las variables medioambientales pueden mostrardiferencias en los patrones de distribución espacial enfunción de la dirección considerada. Por ejemplo, en unapoblación de insectos, la densidad de los mismos será mayor

21

en la dirección coincidente con la de migración de losmismos. Cuando el patrón de variabilidad espacial cambia conla dirección, se puede afirmar que existe anisotropía. Enestos casos se deben emplear variogramas que dependan nosólo de h, sino también de la dirección (por ejemplo,(Moral, 2003).

Para la determinación del variograma experimentaldeben cumplirse una serie de etapas, completando un trabajoque en ocasiones suele ser tedioso, por los avances yretrocesos continuos, así como por las iteraciones que debenrealizarse. Estas etapas son:

1º) Se calcula un variograma omnidireccional. Sedefine como un variograma válido para todas las direcciones,o como aquel en el cual la tolerancia direccional es de360º. Evidentemente, este variograma será función sólo de ladistancia, h. Se puede considerar, no muy estrictamente,como un variograma medio para todas las direcciones. Sinembargo, el cálculo de un variograma omnidireccional nosignifica que la continuidad espacial sea idéntica en todaslas direcciones. Simplemente constituye el inicio delanálisis estructural, sirviendo para determinar losparámetros relacionados con la distancia que generan losmejores resultados, ya que no depende de la dirección. Esosparámetros serán el incremento de la distancia y latolerancia dimensional.

Si el muestreo se ha realizado de forma regular sobre elárea experimental, la distancia entre muestras puedeconsiderarse como incrementos de la distancia. Sin embargo,si el muestreo es aleatorio, se puede elegir inicialmente unincremento de la distancia que equivalga, de formaaproximada, al espaciamiento medio entre muestrasadyacentes.

Para la tolerancia dimensional, generalmente se toma lamitad del incremento de la distancia. De forma práctica, se

22

realizan pruebas con diversos valores de la distancia, h, ycon distintas tolerancias sobre los mismos. Aquellos quegeneren la mejor estructura en el variograma serán losseleccionados.

Si, después de varios intentos, no se consigueobtener un variograma omnidireccional adecuado, no se puedeesperar que los variogramas direccionales sean mejores, yaque el omnidireccional es el que más valores muestralesincluye. Una revisión de los gráficos de dispersión-h puedecontribuir a encontrar los valores erráticos que causan losmalos resultados. Si, a pesar de todo, no se consigue unvariograma omnidireccional óptimo, se debe emplear otramedida distinta de la continuidad espacial, como la funciónespacial de covarianza o el correlograma.

2º) Conseguido el variograma omnidireccional, debenencontrarse los posibles patrones de anisotropía, calculandolos variogramas direccionales. Para ello, puede ser de granayuda el conocimiento del fenómeno bajo estudio. Porejemplo, si se analiza la distribución de un contaminantetransportado por el aire, es fundamental conocer lasdirecciones de los vientos predominantes. Si el contaminantees transportado a través del agua subterránea, elconocimiento del acuífero puede ayudar a determinar lasdirecciones principales

La mejor opción para determinar las direcciones deanisotropía es la realización de unos pocos variogramasdireccionales, 9 o 10, y la elaboración de un diagrama derosa (por ejemplo, Isaaks y Srivastava, 1989). Para ello, setraza un segmento en cada dirección elegida cuya longitudsea proporcional al rango, o a un valor próximo, delvariograma direccional del cual provenga. Los ejes mayor ymenor de la elipse que mejor se ajuste a los extremos de lossegmentos, representarán las direcciones principales deanisotropía.

23

• 3º) Establecidas las direcciones de máxima y mínimacontinuidad, se debe seleccionar la tolerancia direccional.Idealmente, debería ser lo menor posible. Lo que ocurre esque, con tolerancias direccionales reducidas, el número dedatos abarcados es muy pequeño, dando lugar a valoreserráticos en los variogramas.

En la práctica, se prueban varias tolerancias y seescoge la menor que genera los mejores resultados. Convieneindicar que los variogramas son muy sensibles a los datosanómalos (outliers), con valores muy grandes o muy pequeños.De forma práctica, si unos pocos puntos erráticos hacen quela forma de estas funciones se vea alterada, es necesarioexaminarlos cuidadosamente y comprobar que no son fruto dealgún tipo de error

Eliminar los pares de datos que influencian alvariograma en unas determinadas distancias, h, siempre ycuando se compruebe que son fruto de algún error o cuyaexistencia es incoherente dentro de la base de datosdisponible. El uso de un programa gráfico interactivo, quenos muestre la influencia de la eliminación de lo datosextremos sobre el variograma, es la mejor forma de asegurarque dicha eliminación es efectiva.

Para la determinación de un variograma experimental que seaconsistente, es necesario el cumplimiento de una serie demínimos que, en el caso de no superarse, impiden laaplicación de la geoestadística.

- 1º) Diversos estudios teóricos han mostrado que el númerode observaciones o puntos muestrales requeridos para estimarun variograma, debe estar alrededor de 100, en condicionesde isotropía. Por supuesto, si existe anisotropía, se debecontar con un número de datos mayor.

- 2º) El número de pares de datos que se requiere, para elcálculo de cada punto del variograma experimental, debe serde al menos 30-50. Si n es el número de datos muestrales, el

24

número total de pares que pueden formarse es n (n-1)/2. Alagruparse los valores experimentales en clases, en funciónde la distancia, h, pueden determinarse unos valores mediostanto para ?(h) como para la distancia, h. Esto tiene laventaja de conferir una mayor estabilidad al variograma.

- 3º) La mayor distancia para la cual debe calcularse elvariograma experimental es la mitad de la dimensión mayordel área considerada.

- 4º) Ya que el efecto pepita se corresponde con unavariabilidad inexplicada, debe procurarse que sea lo menorposible. Por ello, en todos los diseños de muestreo deberíanincluirse lugares poco separados. Las muestras conseguidasen sitios cercanos servirán para determinar elcomportamiento del variograma en las proximidades delorigen, reduciendo el efecto pepita. Esto redundará en unamejor descripción de la variabilidad espacial, obteniéndoseinterpolaciones mas precisas.

Una vez que se han definido los puntos del variogramaexperimental, será necesario ajustar un modelo a dichospuntos, denominado variograma teórico. Esto se debe a laimposibilidad de trabajar con un variograma como elexperimental, carente de una función matemática precisa (oal menos difícil de caracterizar), y a la necesidad deextender los valores del variograma más allá de la distanciamáxima definida. También, por el contrario, será necesariala extensión del variograma a las proximidades del origen, osea, para distancias próximas a 0. En cuanto a los valoresintermedios del variograma, situados entre dos puntosconocidos, se podría pensar que una aproximación aceptableconsistiría en la realización de una interpolación entre losmismos. Ello, sin embargo, da lugar a un problema muyimportante, derivado de la determinación de la solución paralas ecuaciones que se emplearán en los métodos de estimacióngeoestadística, el krigeado. Esta solución podría no existiro ser múltiple. La causa se encuentra en que las matricesdel krigeado, derivadas de la consideración de talesvariogramas, no son definidas positivas. Por esa razón, es

25

conveniente elegir unos modelos conocidos, no intentarcrearlos.

Los modelos básicos más usados, se desarrollanconstruyendo matemáticamente una función aleatoria ycalculando su variograma teóricamente, imponiéndose lacondición de funciones condicionadas positivas. Éstos son:

. 1º) Efecto pepita puro.

Corresponde a un fenómeno totalmente aleatorio, elcual no muestra correlación entre los valores, conindependencia de su separación. M es el valor de la meseta.

• 2º) Esférico.

Constituye el modelo más usado. Muestra un crecimientocasi lineal hasta una cierta distancia, a, donde seestabiliza. Para el ajuste de los parámetros al modelo, esútil conocer que la tangente en el origen alcanza la mesetapara una distancia de 2/3 a.

• 3º) Exponencial.

Alcanza la meseta asintóticamente. Se considera queel rango, a, es la distancia para la cual el valor delvariograma es del 95% de la meseta. Como el esférico,muestra un crecimiento lineal próximo al origen; sinembargo, crece de forma más rápida y luego se estabiliza másgradualmente.

• 4º) Gaussiano.

26

Se emplea para modelar fenómenos muy continuos.Alcanza la meseta asintóticamente y se considera que elrango, a, es la distancia en la que el valor del variogramaes el 95% de la meseta. Muestra un comportamiento parabólicocerca del origen. Constituye el único modelo estacionariocon un punto de inflexión.

• 5º) Potencial.

con 0 < b < 2 Se aproxima a un comportamiento parabólicoconforme b tiende a 2. El modelo lineal, es un casoparticular.

Cuando se realiza la modelización del variogramateórico, el usuario puede proponer diversos modelos que seajusten a los datos experimentales. La elección de un modeloconcreto suele basarse en apreciaciones subjetivas biendocumentadas y en la experiencia previa. Sin embargo, puedejustificarse la elección de un modelo en base a una serie decriterios estadísticos, como con el método de mínimoscuadrados ponderado (Cressie, 1985) o con el método dejacknife o de validación cruzada (Isaaks y Srivastava,1989). Cuando el modelo ha sido identificado, se dice que elvariograma ha sido calibrado o validado.

El programa Variowin, 1996 usa una ventana paramodelar llamada en ingles (The Modeling Window). En dichaventana se trabaja con tres parámetros del semivariograma:Rango (a), Varianza Nugget (Co), Varianza Espacial oEstructural (C1) y se escoge el modelo (Esférico,Exponencial, Potencial o Gaussiano), luego en forma usandola técnica de ensayo y error en forma iterativa se consigueel mejor modelo ajustado a los valores de semivarianzapresentes en el grafico de 2D, en ingles se denomina“Indicativa Goodness of Fit” (IGF), ver programa. Deacuerdo a los programas consultados hasta ahora se considerauno de los más avanzados para el modelaje de lossemivariogramas.

27

La estimación geoestadística: el krigeado.

En cualquier trabajo geoestadístico, el principalobjetivo del mismo es la caracterización de la variableinvestigada en todos los puntos no muestrales, partiéndosede la información suministrada por los puntos muestrales.Por ello, no basta con efectuar una descripción del conjuntode datos formado por los puntos muestrales; ni es suficientela realización de un análisis estructural de los datos,describiéndose la correlación espacial de los valoresmuestrales mediante el variograma u otra función. Todo estoconstituye una fuente valiosa de información para llegar ala etapa principal de la investigación geoestadistica: laestimación.

Antes de la descripción de los principios de laestimación geoestadística, conviene revisar una serie deconsideraciones acerca de la estimación en sí. Existendiversos métodos de estimación, cuyo uso dependerá del tipode problema que se trate de resolver. Previamente a laelección de un método particular, se debe estar encondiciones de determinar estas consideraciones:

1º) La estimación a realizar, será local o global ?Laestimación a realizar, ¿será local o global

2º) ¿Se desea una estimación puntual o para extensionesmayores, en bloques?

Mediante los métodos de estimación geoestadística, conocidoscomo krigeado o krigeaje (kriging en la literatura inglesa,en honor de Danie Krige, quien formuló por primera vez estametodología en 1951), se puede responder a las doscuestiones planteadas, ya que contempla todas esasposibilidades. Sin embargo, en ocasiones, ciertos métodos deestimación tradicionales generan unos resultados muysemejantes a los del krigeado (Isaaks y Srivastava, 1989),sobre todo cuando los datos son abundantes. Cuando escasean,

28

las asunciones que se realizan, sobre la variación delatributo en los lugares muestreados y la elección del métodoapropiado, son críticas, si se desea evitar unos resultadospobres.

Las principales características que hacen delkrigeado un método de estimación muy superior a lostradicionales, como el inverso ponderado de la distancia, latriangulación, el poligonal, etc, son:

• Mediante el krigeado se puede lograr una estimación con unvalor mayor o menor que la de los datos muestrales. Con losotros métodos, los valores estimados se limitan al intervalodefinido por los datos muestrales.

• Mientras que los métodos tradicionales utilizan elconcepto euclidiano de la distancia para el cálculo de lospesos que se aplicarán a cada dato muestral, el krigeadoconsidera tanto la distancia como la geometría de lalocalización de las muestras.

• Mediante el krigeado se minimiza la varianza del erroresperado (diferencia entre el valor real y el estimado).Como el valor real en un punto no muestral es desconocido,el krigeado emplea un modelo conceptual con una funciónaleatoria asociada a los valores reales.

Además, los métodos geoestadísticos muestran una granflexibilidad para la interpolación, pudiéndose estimarvalores puntuales o en bloques, así como métodos paraincorporar información secundaria que esté relacionada conla variable principal. Todos estos métodos dan lugar a unassuperficies muy suaves, además de una estimación de lavarianza en todos los puntos, lo cual no puede realizarsecon otros métodos de interpolación.

La idea fundamental del krigeado es consecuencia delos conceptos relacionados con la dependencia espacial,tratados en el apartado anterior: los lugares que disten

29

menos entre sí tendrán unos valores de los atributos mássemejantes que los correspondientes a los puntos o bloquesque estén más separados. En la naturaleza, esto suelecumplirse y, además, las variables naturales generalmente sedistribuyen de una forma continua.

TECNOLOGIA DE DOSIS VARIABLE (VRT)

La VRT se basa en ajustar la dosis de aplicación deproductos para los diferentes sitios de un lote, basándoseen información contenida en un mapa electrónico del lote.

La VRT en tiempo real puede ser realizada de dos manerasdistintas:

A. En forma manual a través del conocimiento agronómico delos sitios diferentes, esto se hace realidad medianteun controlador electrónico en la cabina del tractor,donde un operador ordena a un actuador hidráulico oeléctrico que regula la velocidad relativa de giro delmotor hidráulico de mando en relación a la velocidadreal medida por un radar.

B. En forma automática guiado por un posicionador DGPS queubica espacial-mente el móvil en tiempo real, esteposicionador informa a un navegador que posee laprescripción a través de un software específico con lasvariaciones de dosis espaciales del lote; el navegadores conectado a un controlador y este a un actuadorhidráulico, más un radar de velocidad real que regulael giro del motor hidráulico de mando para colocar ladosis o densidad exacta en forma espacial dentro dellote.

C. Aplicación de sensores remotos a la dosis variable

30

Existe una metodología desarrollada y aplicadacomercialmente por una empresa privada europea AGRO-SAT, conbase en Alemania, para determinar zonas diferenciales dentrode un lote y concluir con la determinación de la necesidadde aplicación variable de algún insumo y su respectivaprescripción (Bragachini, 2004).

Esta metodología se basa en la determinación desitios de diferentes condiciones del cultivo a través de lautilización de imágenes satelitales o por medio de imágenesde video digitalizadas y georreferenciadas con cuatrobandas: rojo, azul, verde e infrarrojo cercano. Estasimágenes son tomadas en el momento de inicio de senescenciadel cultivo, debido a que una zona estresada se entregaantes que una zona que no lo sufrió, dependiendo también delgrado de estrés sufrido. Con estos sitios determinados seprocede a una identificación in situ del cultivo pararealizar observaciones acerca del estado general del cultivoy en particular si las zonas estresadas corresponden amanchones de malezas, enfermedades, problemas de siembra,emergencia, etc.

La próxima capa de información que se utiliza es elmapa de rendimiento, con el fin de determinar si lavariabilidad de senescencia tiene impacto en el rendimiento,si no lo tuviera habría que evaluar si existe beneficio enaumentar los costos por el manejo variable de algún factor.

A partir de estas dos capas de información sedeterminan los sitios diferenciales dentro del lote y serealiza un muestreo dirigido de suelo con 2 o 3 muestras porsitio, para identificar el o los factores responsables enmayor medida de la variabilidad. Para el caso del loteejemplo se determinó que el Fósforo es el principalresponsable de la variabilidad de rendimiento y con losvalores resultantes para cada sitio se confecciona el mapade aplicación o prescripción.

 VRT basada en sensores de suelo de tiempo real

31

Las diferentes empresas relacionadas al tema y lasuniversidades de los EEUU están desarrollando sistemas desensores de suelo de tipo electrónico, óptico y acústico quepermiten obtener una completa información de lascaracterísticas del suelo a medida que avanza el equipo enel lote (en tiempo real). Este sistema fue presentado alpúblico en la Farm Progress Show 1995, tomado de (Bragachiniet al, 2004).

Estos equipos analizadores de tiempo real,conectados al GPS, podrán confeccionar mapas de suelos conun grado de variación imposible de realizar con lametodología tradicional, principalmente por la gran cantidadde muestreos y análisis que habría que realizar, lo que lahace económicamente inviable. Si bien los sensores de tiemporeal no tendrán la precisión de un laboratorio de suelo,este siempre dependerá de la representatividad del muestreode suelo realizada, y el muestreo dependerá del número demuestras, resultando inviable económicamente la metodologíade grilla para un país como Argentina donde los análisis desuelo tienen un costo en dólares que superan dos veces a losde USA.

 

Esta información puede ser utilizadainstantáneamente, sin necesidad de procesar la información.De acuerdo a la información obtenida, los dosificadoresvariables cambiarán la densidad de siembra o tipo desemilla, el tipo y dosis de agroquímicos, etc.

Las propiedades del suelo son analizadas por cuatro tipos desensores diferentes:

Propiedades del suelo Tipo de sensor

32

Nutrientes (N, P, K) Electrodos de Ionespecífico

Humedad y salinidad Conductividad eléctrica

Materia orgánica Reflectancia óptica

Textura (arena yarcilla) Propiedades acústicas

 

Estos equipos se encuentran en fase de experimentación y todavía no existen muchas ofertas en el mercado (Bragachini, et al, 2004).

  En los EEUU, para algunos cultivos especiales de altovalor, el uso de la aplicación variable es bastantegeneralizado. Algunos estudios indican que en 1996,aproximadamente el 25% de la superficie de remolachaazucarera en el Red River Valley de North Dakota y Minnesotase realizaban muestreos en malla y el nitrógeno se aplicabacon dosificación variable. En 1999, la dosis variable denitrógeno se utilizaba en aproximadamente el 40% de lasuperficie cultivada de remolacha azucarera en dos estados(Franzen, 2000).

 En el caso de los cultivos que producen alimentos deprimera necesidad (ej. maíz, soja y trigo), la proporción demuestreo intensivo de suelo y la aplicación variable fuesustancialmente menor que lo que sugeriría la oferta de losvendedores del servicio. Khanna et al (1999) demostraron queen 1997, aproximadamente el 14% de los productores deIllinois, Iowa, Indiana y Wisconsin utilizaron algún tipo demuestreo con GPS y el 12% algún tipo de fertilizaciónvariable. Existe evidencia informal que indica que la

33

aplicación variable de cal es la práctica variable más comúnen el este del cinturón maicero norteamericano.

  En Europa occidental, América Latina, Sudáfrica yAustralia existe experimentación en aplicación variable,pero relativamente poco uso comercial. En América Latina yAustralia el alto costo de las muestras de suelo limita elmuestreo intensivo de suelos que es corrientemente la basede las decisiones en la aplicación variable. En EuropaOccidental parece estar impulsado principalmente por lapreocupación y regulación ambiental. Gran Bretaña pareceestar en la delantera, así como en el monitoreo derendimiento. En una encuesta realizada en 1997, sobre 90productores en Gran Bretaña, Fountas (1998) encontró que 7%utilizaban la aplicación variable y que 12% utilizabanmuestreos y mapeos de suelo referenciados espacialmente.

EL MANEJO SITIO-ESPECÍFICO DE NUTRIENTES

Las prácticas de Manejo Sitio-Especifico (MSE)serian recomendables en situaciones donde, en el potrero oparcela, exista una alta variabilidad de los factores deproducción (fertilidad, malezas, agua, etc.) y losrendimientos varíen en función de ellos. Bajo estascondiciones, idealmente debieran aplicarse manejosdiferenciales dentro del sitio en términos de fertilización,control químico de malezas, etc., en vez del tradicionalmanejo promedio utilizado en la actualidad.

El área de mayor desarrollo dentro de la AP es elManejo de Nutrientes Sitio-Especifico (MNSE), tambiénllamado Tecnología de Dosis Variable (TDV), que correspondea la aplicación variable de dosis de fertilizantes deacuerdo al nivel de fertilidad de cada sector de manejohomogéneo dentro del potrero, lo cual significa que no setrabaja, necesariamente con una sola dosis, sino que contantas dosis como áreas significativamente homogéneasexistan en la explotación.

34

Otras tecnologías de la Agricultura de Precisión. En EEUU yCanadá, la adopción de la siembra con densidad variable,aplicación de agroquímicos en forma variable, la percepciónremota, los banderilleros satelitales y otras tecnologíasGPS es más irregular. Khanna et al. (1999) encontró queaproximadamente el 2,1% de los productores en Illinois,Iowa, Wisconsin e Indiana utilizaban la aplicación variablede agroquímicos, y aproximadamente el 1% hacía siembra condensidad variable. Según Lowenberg-DeBoer (1999a) el 5% delos contratistas de pulverización en EEUU y Canadá estánequipados con banderilleros satelitales y además estosequipos se están popularizando rápidamente entre losproductores que hacen cultivos de cobertura total (trigo,soja a 19 cm., canola).

  Varias compañías en EEUU han intentado comercializarimágenes aéreas y satelitales a los productores. Los usosprincipales son de identificar zonas de manejo, cuantificardaño a los cultivos (ej. deriva de herbicidas, granizo,viento), el diagnóstico temprano de pestes, deficienciasnutricionales y problemas de riego. Estimaciones informalesindican que las compañías de fotografía aérea han encontradoclientes fijos entre los productores de frutas, hortalizas yde otros cultivos de alto valor. Gran parte de estas pruebasde mercado han utilizado fotografías aéreas, pero los planesa largo plazo son de utilizar imágenes satelitales conresoluciones de hasta 1 metro. Un ejemplo del uso deimágenes satelitales es el de los productores de remolachaazucarera en Minnesota y North Dakota, donde en 1999, el 60%de productores de la American Crystal Sugar Companyutilizaron imágenes satelitales, principalmente para ayudara determinar zonas para la aplicación variable de nitrógeno(Cattanach, 2000).

Proyecciones de adopción. Encuestas realizadas a productoresy vendedores de insumos agrícolas muestran una expectativaen que la Agricultura de Precisión va a transformarse, enbreve, en una práctica estándar en EEUU. Khanna et al.(1999) indican que los productores de Iowa, Illinois,

35

Indiana y Wisconsin esperan que se utilice monitoreo derendimiento y aplicación variable en más del 45% de losestablecimientos para 2001. Akridge y Whipker (1999)muestran expectativas similares entre vendedores defertilizantes y pesticidas.

  Existen estudios que sugieren que el patrón deadopción de la Agricultura de Precisión puede ser lento ydisparejo comparado con otras tecnologías agrícolas(Lowenberg-DeBoer, 1998). La adopción de la Agricultura dePrecisión puede ser más parecida a la dispersión de lamecanización en EEUU en la primera mitad del siglo XX o a laadopción de la siembra directa en la segunda mitad delsiglo, que a la adopción del híbrido de maíz en la década de1930 o a las semillas genéticamente modificadas en los ´90.Esto es principalmente porque la tecnología de Agriculturade Precisión ha llegado inmadura al mercado. Los sistemasintegrados necesarios para la rentabilidad aún no existen.Muchas firmas han utilizado productores para probar susequipos y lleva tiempo al mercado a seleccionar ganadores yperdedores.

  Un problema adicional es el costo de ajusterelativamente alto de pasarse a un sistema de Agricultura dePrecisión. Uno de los pasos más simples al comenzar es eluso del monitor de rendimiento, e inclusive eso requiere lacompra o instalación de equipamiento electrónicodesconocido, se debe aprender a manejar y calibrar elmonitor, y adquirir habilidades en interpretación de mapasde rendimiento.

Potencial en países en desarrollo. El manejo sitioespecífico tiene gran potencial en países en desarrollo(Byerlee, 1997), pero el uso de las tecnologías deAgricultura de Precisión para automatizar el manejo sitioespecífico probablemente se limitará, en un principio, aáreas con grandes explotaciones mecanizadas. A medida que elcosto de la tecnología baje, se difundirá progresivamente aexplotaciones menores. En cualquier parte del mundo, lasexplotaciones pequeñas pueden incrementar el caudal de

36

conocimiento de su manejo sin procesos de automatización.Las explotaciones pequeñas generalmente emplean la mano deobra familiar, y es posible que los productores observenpersonalmente la variabilidad espacial del suelo, plagas yrendimiento. Sumado a esto, es difícil de justificareconómicamente la inversión en equipamiento de Agriculturade Precisión en campos chicos.

  Según una hipótesis de Norton y Swinton (2000) laAgricultura de Precisión va a ser adoptada primero en zonasde explotaciones grandes y con gran capital de inversión porhectárea. Las estadísticas de FAO muestran que, como paísesen un conjunto, solo EEUU, Canadá y Australia cumplen esascondiciones, pero creen que hay países en vías de desarrollocuyo promedio de producción es disminuido por explotacionesde subsistencia, que poseen regiones que cumplen lascondiciones necesarias para un uso rentable de laAgricultura de Precisión, en un futuro cercano (ej. la pampahúmeda Argentina, los cerrados brasileños)

  Norton y Swinton (2000) también sugieren que en algunospaíses industrializados prósperos con alta densidadpoblacional, el uso de la Agricultura de Precisión puedeestar motivado por razones ambientales. Dada la falta deevidencia de que la Agricultura de Precisión puede mejorarla performance ambiental y dada la baja preocupación estatalen temas ambientales en la mayoría de los países endesarrollo, esto parece un motor improbable para la difusiónde la Agricultura de Precisión fuera de Europa Occidental,EEUU, Canadá, Japón, Australia y Nueva Zelanda.

  En aquellos países en desarrollo con áreas de granpotencial para la Agricultura de Precisión los patrones deadopción pueden diferir sustancialmente de aquellos de EEUUy Canadá por diferencias en las condiciones agronómicas yeconómicas. Se puede utilizar como ejemplo un reporte sobreel potencial de la Agricultura de Precisión en la pampahúmeda argentina (Lowenberg-DeBoer, 1999b).

37

La agricultura de precisión tiene el potencial deproporcionar a los productores modernas herramientas paramanejar los insumos que tienen que ser importados al campo.En lugar de aplicar fertilizantes o pesticidasindiscriminadamente en dosis uniformes sobre grandes áreas,la AP permite a los productores afinar la puntería con lasaplicaciones. La esperanza que se pone en la AP es que seamenos desequilibradora de los sistemas naturales de lo quelo han sido los insumos físicos aplicadosindiscriminadamente.

Diagnóstico de la Fertilidad del Suelo

Cuando se muestrea el suelo con fines de fertilidad,normalmente se obtiene una muestra compuesta de áreasconsideradas visualmente homogéneas. Éste método es una excelente aproximación cuando las áreas definidas sonrealmente similares en sus propiedades del suelo yrendimientos. Cuando los suelos son altamente variables y sefertiliza en base a un promedio, existirán sectores sub-fertilizados y otros sobre-fertilizados. Lo mismo sucede conla recomendación de fertilizantes, existiendo sectores sub-fertilizados (dosis promedio menor a la requerida) y otrossobre fertilizados (dosis promedio mayor a la dosisrequerida). En el caso de producirse una sub-fertilización,el cultivo no alcanzará su potencial productivo,observándose una pérdida de rendimiento. En el casocontrario, el cultivo podría alcanzar su óptimo decrecimiento, sin embargo los excesos de insumos noutilizados constituyen una pérdida económica para elproductor. En el caso de sobre aplicaciones de nitrógeno,los excesos pueden quedar libres para perderse porlixiviación y contaminar las aguas subterráneas (Ortega etal. 1996).

De acuerdo a lo señalado anteriormente, es condiciónesencial para establecer prácticas de MNSE que exista unavariabilidad significativa, tanto en las propiedades delsuelo que determinan el rendimiento, como en los

38

rendimientos en función de la variabilidad de dichaspropiedades. La clave para describir adecuadamente lavariabilidad de las propiedades químicas del suelo quelimitan el rendimiento es la obtención de muestrasespacialmente dependientes para la posterior interpolación ygeneración de mapas. Para ello debe utilizarse algún tipo de diseño de muestreo sistemático conuna intensidad (distancia) menor al rango de dependenciaespacial. El rango, definido como la distancia en terrenosobre la cual las muestras se hacen independientes, es únicopara un tipo de suelo determinado y para cada propiedad enparticular. Esto significa en la práctica que la intensidadde muestreo es distinta dependiendo de que propiedad sedesee describir y de que suelo se trate.

La importancia de definir la intensidad correcta demuestreo radica en que la confección de mapas devariabilidad requiere de muestras dependientes espacialmentepara realizar la interpolación de la variable de interés.Mapas confeccionados a partir de muestras tomadas a unadistancia mayor al rango de dependencia espacial no seránválidos bajo los supuestos geoestadísticos utilizados.Algunos rangos de dependencia espacial se muestran en laTabla 1.

Tabla 1. Dependencia espacial de propiedades químicasde un suelo Alfisol (0-20 cm.). Talca, 1998.

Variable Rango de Dependencia

Espacial (m) IntensidadMuestreo

(N°muestras/ha)

pH 1000 0.01 MateriaOrgánica

444 0.05

N 521 0.04

39

Disponible P Olsen 3000 0.001 KExtractable

774 0.017

MnExtractable

100 1

Evaluaciones realizadas por INIA han demostrado un granvariabilidad en la producción de grano y materia seca dediferentes cultivos tales como trigo, arroz, maíz para siloy remolacha, sometidos a un manejo uniforme. En la Figura 3se muestra un mapa con la variabilidad espacial de losrendimientos de maíz para silo en un suelo volcánico, plano.Aunque los rendimientos fueron bajos producto de la sequía,la variabilidad fue enorme, observándose que para un mismomanejo, la respuesta en rendimiento de cada sector delpotrero fue diferente. Esto confirma lo aseveradoanteriormente en el sentido de que

un mismo manejo provocó respuestas diferenciales enrendimiento. Los sectores de menor rendimiento pueden, engeneral, deberse a una sub-fertilización o bien a otrosfactores limitantes de la producción tales como profundidadde suelo, textura, etc. De acuerdo a estos resultados queda en evidencia que losrendimientos dependen de numerosos factores de los cuales,el nivel del nutriente manejado es solo uno de ellos. Por lotanto, idealmente, debe fertilizarse de acuerdo al potencialproductivo de cada sector del potrero. Las recomendacionesde fertilización basadas sólo en el nivel del nutriente deinterés en el suelo son factibles sólo cuando no existenotros factores limitantes a excepción del nivel delelemento.

Interpretación de mapas de fertilidad y recomendación defertilizantes

40

Una de las etapas más críticas dentro de MNSE es lainterpretación de los mapas de fertilidad y la recomendaciónde fertilizantes en base a la variabilidad de la fertilidaddel suelo, puesto que se deben definir las dosis defertilizantes a aplicar en cada sector definido en el mapeode fertilidad. Al respecto Gotway et al. (1996) indican quela correcta determinación de la cantidad de fertilizante aser aplicado a un determinado sector del potrero esfundamental para la obtención de los beneficios ambientalesy económicos de TDV.

La recomendación proveniente del laboratorio deanálisis de suelo puede ser utilizada como referencia. Sinembargo, muchas veces esta es tan general que no esapropiada para MSE. El otro gran inconveniente que estarecomendación tiene es que está basada solo en el nivel delnutriente en el suelo (calibración) y no considera otrosfactores limitantes del rendimiento. Ortega et al. (1997) enColorado, EEUU, demostraron que el modelo de recomendaciónpara fósforo en trigo, basado en un nivel crítico de 14 ppmde NaHCO3-P (P Olsen), falló en más de un 50 % de lossectores, en un ensayo de TDV. Esto, debido a que sectoresbajos en P que debían responder a la aplicación de fósforono lo hicieron debido a otros factores limitantes tales comoescasa profundidad de suelo y disponibilidad de agua.

El conocimiento exhaustivo del nivel de fertilidady la ubicación de las áreas de fertilidad homogénea dentrode una unidad de producción, permitirá generar ahorrossignificativos en insumos a la vez que se logrará en elcorto plazo identificar las zonas que sí responden a laaplicación, esto es donde existe un alto potencial derespuesta a la aplicación. La determinación de sectoreshomogéneos en términos de productividad dentro del potrero ysu posterior manejo diferencial es sin duda el gran desafíopara la aplicación exitosa del MNSE (Ortega et al. (1997). Aplicación de insumos en forma variable

41

Probablemente ésta es la etapa en donde se hanproducido los mayores avances dentro de las prácticas deMNSE. Existen en el mercado controladores y maquinaria quepermiten variar las dosis cada metro cuadrado si se desea,con una alta precisión. Estos equipos pueden ser programadospara que controlen el flujo de líquidos y/o granulados queestán siendo aplicados por cada boquilla o caída deproducto, de modo que sea posible regular y monitorear laaplicación, la cual es dirigida espacialmente por un equipoGPS. Junto a la dosificación variable de fertilizantes yplaguicidas, es posible generar, además, mapas deaplicación, para medir la eficiencia con que se aplicó, encomparación al mapa original de recomendación, lo cualpermitirá, entre otras cosas, explicar el rendimiento a lacosecha. Una de las etapas mas criticas dentro de MNSE es lainterpretación de los mapas de fertilidad y la recomendaciónde fertilizantes en base a la variabilidad de la fertilidaddel suelo, puesto que se deben definir las dosis defertilizantes a aplicar en cada sector definido en el mapeode fertilidad.

Para implementar MNSE, en una primera etapa, no esimprescindible contar con maquinaria especializada. Alsectorizar el potrero de producción en sub-unidades demanejo homogéneo, es posible utilizar la maquinariaexistente.

Es decir, que si la unidad de producción es divididaen 2 ó más áreas de manejo homogéneo, producto del análisisde mapas de fertilidad y rendimiento, se utilizará lasembradora, abonadora o pulverizadora tradicional paraaplicar 2 ó más dosis dentro del área. Cada vez que elaplicador traspase el límite de un área y otra, deberácambiar la dosis de aplicación. Esto sólo requiere de unmayor conocimiento, por parte del agricultor, de las áreasde manejo homogéneo y del potencial de crecimiento de cadauna. De esta forma, será posible mejorar la eficiencia deuso de los insumos como semillas, pesticidas y

42

fertilizantes, a la vez que se busca lograr el máximopotencial de crecimiento del cultivo en un sitio dado y sereducen los procesos contaminantes derivados de aplicacionesineficientes (Ortega et al. 1997).

En la Figura 7, se muestra una síntesis de loque puede hacer la Agricultura de Precisión,para la delimitacion de zonas de manejo enmaíz. Tomado de Agricultura de Precisión.

43

Usos y Potencialidades en Chile, RodrigoOrtega.

CONCLUSIONES

44

1) Podemos concluir que el uso de la Agricultura dePrecisión nos permitirán tener un mayor conocimiento yentendimiento de la variabilidad espacial delrendimiento de los cultivos a nivel de parcela, locual previamente era muy dificultoso de estudiar.

2) El uso de esta tecnología nos permitirá evaluar si elpotencial productivo de una parcela puede ser elevadoal incrementar el rendimiento de las zonas menosproductivas, siempre y cuando las razones agronómicassean detectadas, logrando de esta manera una mayoruniformidad y rendimiento promedio de la misma.También es posible evaluar si en las áreas menosproductivas el “techo” productivo es indefectiblementemenor y por lo tanto una menor cantidad de insumospueda ser utilizada (dosis variables de aplicación),logrando de esta manera reducir los costos deproducción y su impacto ambiental.

3) En general, lo que se viene observando del uso de estatecnología, es que el productor tiene la “intuición”de cuales pueden ser las razones causantes de lavariabilidad del rendimiento dentro de su parcela,pero es la investigación la que tiene el desafió dedeterminar objetivamente si estas son o no lasverdaderas razones.

4) El uso de esta tecnología determino un cambiosignificativo en las herramientas estadísticasutilizadas tradicionalmente por la investigación,donde la variabilidad espacial era específicamenteaislada del análisis, para pasar a ser ahora elcomponente de mayor interés. Debiéndose de estamanera, comenzar a utilizar conceptos degeoestadística en el estudio de la informaciónpreviamente no tomados en cuenta.

5) Los Sistemas de Información Geográficos e ImágenesSatelitales, pueden contribuir como herramientascomplementarias a las tradicionalmente utilizadas porla investigación, en la determinación de las causantes

45

de la variabilidad espacial del rendimiento a nivel deparcela.

6) Creemos que la investigación en el futuro, no va a sergenerada en las propias Estaciones Experimentales,sino que estará disponible en diferentes formatos ylugares (Internet, Empresas Privadas, Asociación deProductores, Cooperativas, Mapas de Rendimiento) yserá nuestro desafió poseer las herramientasnecesarias para poder hacer uso de la misma.

46

REFERENCIAS BIBLIOGRAFICAS

Beckett, P.H.T y Webster, R. 1971. Soil Variability: AReview. Soils and Fertlizer. 34: pp. 1-15.Bragachini, M.A, Von Martini y A. Mendez 2004. LaAgricultura de precision en Argentina. Seminario Taller deAgricultura de Precision en el Cono Sur. PROCISUR. BuenosAires. Argentina.Burrough,P.A.1993. Principles of Geographical InformationSystems for Land Resources Assessment , Clarendon Press,Oxford.Cambardella, C.A; Moorman,T.B; Novak,J.M; Karlen,D.L;Turco,R.F; and Konopka,A.E (1994) Field-Scale variabilityof soil properties in Central Iowa Soils. SoilSci.Soc.Am..J. 58: pp. 1501-1511.D’Agostino, Ralph B, and Michael A Stevens. 1986. Godnessof Fit Techniques. Marcel Dekker, New York.Fernandez, O. 1989 Variabilidad de algunascaracterísticas edáficas en unidades cartográficas de laCuenca del Lago de Valencia. Tesis de Postgrado en Cienciadel Suelo. Maracay. Fac. de Agronomía. UCV. pp. 283.Franzen, D.W y N.R. Kitghen 2000. Developing managementzones to target nitogen applications. Site-Specificmanagement guideline No 5. Potash and Phosphate Institute.Norcross. Georgia. EE.UU.Garcia y Marques da Silva, 2002. Ejemplo de RepresentaciónGrafica de una Variable Regionalizada. Univ. deExtremadura. España.Garcia, A, 1986. Intercambio cationico en algunos suelosdel Norte de California, Suelos Ecuatoriales, S.C.C.S., VolXVI. No 1: 146-151.Hajduck, J and I. Hauskrecht 1967. Investigations ofmagnesic soils and their reclamation in the neighbourthoodof magnesite factories. Soil and Fertilizers. Vol. 30(4).Isaaks, E.H y Srivastava, R.M. 1989. An Introduction toapplied Geostatistics. Oxford University, Press. New York.Jacob A y Uexkull, H. von, 1973. Fertilización. Nutricion yAbonado de los Cultivos Tropicales y Subtropicales. EdicionEuroamericana. 4ta Ed. En español. Pp. 626.

Jaramillo, D. 2002. Introducción a la Ciencia del Suelo.Universidad Nacional de Colombia. Facultad de Ciencias.Medellín. pp 551-569.Lowenberg-De Boer y Swinton.S. 1998. Economics of site-specific management in agronomic crops. In the state ofsite-specific management for agriculture. F. Pierce y E.Sadler (ed) ASA-CSSA-SSA: Madison Wisconsin, EE.UU.Maldonado, R. 1998. Diseño Preliminar de una obra decaptación y un canal de derivación en el Rió Monaicito parala Finca El Reto de la ULA. NURR. Tesis de Grado Ing.Agrícola, Trujillo, pp. 153.Matheron G. 1965. Les variables regionalize es et leurestimation. Une application de la theorie des functionsaleatoires aux sciences de la nature. Mansson. Paris.France.Matheron, G. 1963. Principles of Geostatistics. EconomicGeology 58: pp. 1246-1266.Moral, F.J. 2003. Hidrologia Superficial de los suelosarenosos del Parque Natural de Doñana. Tesis Doctoral,Servicio de Publicaciones de la Universidad de Cordoba.Mulla,D.J and J.S. Schepers. 1997. The State of Site-Specific Mangement for Agriculture. ASA, CSSA, SSSA, p. 1-18.

Olea, R.A. 1997. Optimum mapping techniques usingregionalized variable theory. Kansas Geol. Survey, Seriesin Spatial analysis. No 4. Lawrence, Kansas. Univ. ofKansas. Pp. 29Ortega R, D. Westfall y G. Peterson. 1996. Spatialvariability of Soil P and Its impact on dry land winterwheat. Agron. Abstracts. P.231. Amer.Soc.of Agron. Madison,Wisconsin, EE.UU..Ortega R, D. Westfall y G. Peterson. 1997. Variability ofphosphorus over landscapes and dry winter wheat yields.Better Crops 81(2): 24-27. Potash and Phosphate Institute.Norcross, Georgia, EE.UU.Ortega, R y Flores L, 1999. Agricultura de Precisión:Introducción al manejo sitio-especifico. Ministerio deAgricultura. Instituto de Investigaciones Agropecuarias:CRI. Quilamapu-Chile.

Ovalles, 1992. Metodologia para determiner la superficierepresentada por muestras tomadas con fines de fertilidad.Maracay. Venezuela. FONAIAP. Centro Nacional deInvestigaciones Agrícolas Generales. 44 p, Serie B.Palmaven 2000. Manejo de la Fertilidad de los Suelos. Cursode la Sociedad Venezolana de la Ciencia del Suelo, Pequiveny el Ministerio de Producción y Comercio. Merida 22 y 23Junio de 2000.Palomino 2002. Influencia de la variabilidad especial dealgunas propiedades del suelo sobre el rendimiento delcultivo platano (Musa paradisiaca) en la Finca El Reto. UPAULA. Estado Trujillo. pp.80.StatMost 1995. Statistical Análisis and Graphics. DataMost.Dataxion Software Inc. pp. 852.Variowin, 1996. VARIOWIN, Software for Spatial DataAnálisis in 2D. sprnger. Yvan Pannatier. Institute ofmineralogy. University of Lausanne, Switzerland.Vieira, S.R., Nielsen,D.R y Biggar, J.W. 1981 Spatialvariability of field measured infiltration rate. SoilSci.Soc.Am.J.., 45: 1040-1048.Webster y Burgess. (1980) Optimal interpolation andisarithmic mapping of soil properties. III. Changing driftand Universal Kriging. J.Soil.Sci. 31:505-524.Webster, R y Butler, B.E. 1976. Soil classification andSurvey Studies at Ginnindera. Australia. J.Soil.Res. 14: 1-24.Webster, R y Cuanalo de la C.H. 1975. Soil transectcorrelograms of north Oxfordshire and their interpretation.J. Soil. Sci, 26 pp. 176-194.Wilding L. and Dress, L 1983. Spatial variability andPedology. In: Pedogenics and Soil Taxonomy. Elsevier,Amsterdam. Pp. 83-116.Yost, R.S.,G. Uehara y R.L.Fox 1982 Geoestatisticalanálisis of soil chemical properties of large landa reas.1. Semivariograms. Soil Sci. Soc. Am.J. 46: 1028-1032.Zerega, L. 2000. Manual para orientar en la caracterizacióny manejo de los recursos agro ecológicos (clima, suelo,agua y planta) para la producción de caña de azúcar.Material de Apoyo.