REVISTA INGENIERÍA UC. Vol.

15, No 2 61-71, 2008

Evaluación de suelos del centro de producción con rumiantes de la

UNERG mediante la aplicación de métodos geoestadísticos
Angel Valera (1), Willin Alvarez (1), Teodoro García (2)
(1)
Universidad Nacional Experimental Rómulo Gallegos. Centro de Investigación en Suelos y Aguas.
(1)
Universidad Nacional Experimental Rómulo Gallegos. Facultad de Agronomía. Dpto. de Instrumentales.
(2)
Universidad de Carabobo. Facultad de Ingeniería. Grupo de Investigación en Gestión de la Calidad.
Email: angelvalera@cantv.net; aprendizborroso@yahoo.com, tgarcia@uc.edu.ve

Resumen

Los métodos geoestadísticos pueden usarse para determinar el estado de la fertilidad de los suelos y obtener
información básica para ensayos y pruebas experimentales. Estos métodos permiten analizar los resultados para
diferentes tratamientos relacionados con la producción agrícola de especies con alto valor nutritivo para los ru-
miantes. El objetivo de este trabajo fue determinar y analizar el comportamiento espacial de variables relacionadas
con las características y propiedades edáficas (atributos) de un sitio experimental ubicado en el Centro de Produc-
ción con Rumiantes de la Universidad Rómulo Gallegos (UNERG), Sector El Castrero, San Juan de los Morros,
estado Guárico, Venezuela. Para ello se aplicaron métodos geoestadísticos apoyados en métodos estadísticos uni-
variantes y multivariantes. Al analizar los resultados se obtuvo que el suelo en el sector evaluado no es interna-
mente homogéneo y que la variabilidad existente puede influir en el comportamiento de los resultados de los ensa-
yos que se desarrollen en el campo experimental.
Palabras clave: Métodos geoestadísticos, evaluación de suelos, producción con rumiantes.

Evaluation of the soils in the production center with ruminants of

UNERG through applications of geostatistics methods
Abstract

The geostatistics methods may be used to determine the fertility state of the soils and obtain basic informa-
tion for essays and experimental test. These methods allowing analyze the results for different treatments related
with agricultural production of species with high nutritional value for ruminants. The purpose of this work was
determine and analyze the spatial behavior of the variables related with the characteristics and edaphic properties
of an experimental site, placed in the production center with ruminants of the Rómulo Gallegos University
(UNERG), El Castrero sector, San Juan de los Morros, Guárico state in Venezuela. In this sense, geostatistics
methods were applied supported on univariate and multivariate statistical methods. Analyzing the results was ob-
tain that, the evaluate sector not be homogeneous internally and the variability existing may influence on the be-
havior of the results, in the essays developed in the experimental field.
Keywords: Geostatistics methods, soil assess, production with ruminants.

1. INTRODUCCIÓN La geoestadística es el nombre que recibe el

Las variaciones espaciales pueden estudiarse a
través de técnicas geoestadísticas que permiten elabo-
rar mapas y delimitar áreas de manejo homogéneo. A
través de la geoestadística se puede estudiar el patrón
de variación de los atributos de los suelos, ya que ésta
técnica permite el estudio de los fenómenos naturales.
método de análisis espacial que permite hacer predic-
ciones a partir de los datos de una población, cuya
posición relativa es conocida. Este método provee de
herramientas estadísticas para describir la variación de
diversos atributos sobre la superficie de la tierra, esti-
marlos con precisión en sitios no muestreados y dise-
ñar esquemas eficientes de muestreo [1, 2].

Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008 61

 Evaluación de los suelos mediante la aplicación de métodos geoestadísticos
Las variables que presentan dependencia espa-
cial son conocidas como variables regionalizadas, las
cuales son una función que describe un fenómeno
natural geográficamente distribuido y tienen cierto
grado de correlación. [3, 4, 5, 6].
Para analizar la estructura espacial se utiliza la
función de semivarianza, la cual es una medida de la
similitud entre observaciones a una distancia determi-
nada. Los semivariogramas proporcionan información
sobre los cambios con la distancia en el patrón espa-
cial de cada variable y el rango espacial puede utili-
zarse para planificar futuros muestreos de suelos que
requieran independencia entre unidades experimenta-
les. Estos semivariogramas son herramientas geoesta-
dísticas utilizadas para describir la autocorrelación
existente entre variables ambientales [7, 8, 9].
Los semivariogramas experimentales se pueden
calcular utilizando la siguiente ecuación [1, 10, 11]:
γ(h) = ½N Σ [Z(x) – Z(x+h)]2 (1)
donde γ(h) es la semivarianza, N corresponde al nú-
mero de pares de observaciones comparadas en cada
distancia, Z(x) es el valor de la propiedad Z en el lu-
gar x y Z(x+h) es el valor de la propiedad Z a una dis-
tancia h del lugar x.
El gráfico de la semivarianza contra la distan-
cia es conocido como semivariograma, el cual contie-
ne toda la información referente a la variable regiona-
lizada. Generalmente, la semivarianza aumenta con la
distancia y alcanza un valor más o menos constante
(umbral o sill). Esto indica que los valores de las va-
riables están autocorrelacionados. La distancia a la
cual se estabiliza la semivarianza se llama alcance,
amplitud o rango de dependencia espacial [10, 11,
12]. Este rango es la distancia dentro de la cual existe
dependencia espacial [9, 13]. Si las variables evalua-
das se distribuyen al azar los valores del semivario-
grama no se ven afectados por la distancia.
Los valores del semivariograma se utilizan para
estimar valores en los sitios no muestreados. La inter-
polación por kriging predice cada valor de la variable
interpolada como un promedio ponderado de los pun-
tos de muestreo vecinos y produce la mejor estima-
ción lineal, no sesgada. Esto se debe a que el método
62 Rev. INGENIERÍA UC. Vol. 15, No 2 Agosto 2008
considera el patrón de variación del suelo, como base
para predecir los valores de las propiedades del suelo,
por medio de la información aportada por el variogra-
ma [14].
Con la finalidad de valorar la capacidad que
tienen las herramientas estadísticas y geoestadísticas
para determinar el estado de la fertilidad de los suelos
y, por ende, su potencial productivo y los factores
edáficos que limitan dicho potencial, se seleccionó un
sitio experimental ubicado en el Centro de Produc-
ción con Rumiantes de la Universidad Rómulo Galle-
gos (CPR-UNERG), Sector El Castrero de San Juan
de los Morros, Estado Guárico. El propósito funda-
mental de esta investigación fue analizar el comporta-
miento espacial de los atributos relacionados con la
fertilidad de los suelos y generar información básica
para el desarrollo de ensayos y pruebas experimenta-
les que permitan una mejor interpretación de los re-
sultados de los diferentes tratamientos relacionados
con especies de alto valor alimenticio para la produc-
ción agrícola. Se espera que ésto también permita
establecer las prácticas de manejo más adecuadas en
la zona de estudio y que conlleven a un manejo sus-
tentable de los suelos.
2. MATERIALES Y MÉTODOS
2.1 Área de estudio.
La zona donde se llevó a cabo el estudio se
encuentra ubicada en el CPR-UNERG, Sector El Cas-
trero de San Juan de los Morros, Municipio Juan Ger-
mán Roscio del Estado Guárico. Los suelos en esta
área, pertenecientes a la Formación Santa Isabel
(geológicamente hablando), son de escaso desarrollo
pedogenético (Gran Grupo Haplustepts) y se encuen-
tran enmarcados dentro de un valle coluvial domina-
do por colinas y montañas. La vegetación predomi-
nante corresponde a pasto yaraguá (Hyparrhenia ru-
fa), mastranto (Mentha suaveolens) y, en menor pro-
porción, algunas especies arbóreas dispersas de Cha-
parro (Curatella americana) y samán (Pithecellobium
saman); principalmente.
2.2 Muestreo de Suelos.
Para el estudio de la variabilidad de los suelos
(horizontes superficiales) se realizó un muestreo sis-
temático en cuadrículas, espaciadas cada 20 m, para
un total de 60 muestras en una superficie de 1,96 ha
(140 m x 140 m). Cada punto de muestreo fue geore-
ferenciado mediante un sistema de posicionamiento
Valera, Alvarez y García
global (GPS) y las muestras fueron tomadas en cada
intersección de la cuadrícula; exceptuando 4 puntos
por impedimento físico. Adicionalmente en el campo,
para cada punto de muestreo, se registró el espesor
del horizonte superficial (EA) y el espesor del hori-
zonte B (EB), infiriéndose la profundidad al horizonte
C (PC) como EA + EB.
A las muestras superficiales, después de seca-
das al aire, trituradas y tamizadas (< 2 mm), se les
realizó un diagnóstico con fines de fertilidad utilizan-
do para ello las metodologías del Laboratorio de Aná-
lisis de Suelos del Centro de Investigación en Suelos
y Aguas (CIESA) de la UNERG. Allí se determinaron
los porcentajes de arena (%a), limo (%L), arcilla (%
A) y de esqueleto grueso (%EG), contenido de mate-
ria orgánica (MO), pH, conductividad eléctrica (CE)
y elementos disponibles: fósforo (P), potasio (K), cal-
cio (Ca) y magnesio (Mg).
Posteriormente, para la validación de los mode-
los teóricos de mayor representatividad se realizó un
segundo muestreo aplicando un método aleatorio sim-
ple. En este sentido, se realizó en campo un chequeo
de la profundidad del horizonte superficial (EA) y la
distribución de tamaño de partículas del suelo (%A,
%a, %L).
2.2.1. Análisis estadístico
Las muestras se sometieron a un análisis explo-
ratorio de los datos (AED), con apoyo del programa
SPSS [15], para calcular parámetros estadísticos bási-
cos como media, mediana, varianza, coeficiente de
variación y valores máximos y mínimos. Para deter-
minar la existencia de tendencias se determinaron los
índices de asimetría y curtosis. Con el fin de detectar
la presencia de valores atípicos se utilizó la metodolo-
gía de cercas externas e internas de Tukey [16]. Por
otra parte, también se utilizaron histogramas y prue-
bas de normalidad para evaluar la distribución de los
datos. Un análisis de componentes principales (ACP)
permitió determinar las variables edáficas que sinteti-
zan la información y explican los cambios que ocu-
rren en la zona de estudio.
2.2.2. Análisis geoestadístico.
Para el análisis geoestadístico se determinaron
los semivariogramas (semivarianza como función de
la distancia) compuestos o globales (independientes
de la dirección) para cada variable. La base incremen-
tal de la distancia fue 20 m. Utilizando el programa
VESPER (Variogram Estimation and Spatial Predic-
tion plus ERror) del Centro Australiano de Agricultu-
ra de Precisión [17], los semivariogramas se ajustaron
a modelos teóricos conocidos (lineal, lineal con um-
bral, esférico, exponencial) por el método de los míni-
mos cuadrados ponderados.
Con la información derivada de los semivario-
gramas ajustados, se estimaron valores en sitios no
muestreados utilizando el método de interpolación
por kriging puntual [18 - 20]; generándose entonces
diagramas de las estimaciones y de los errores asocia-
dos a la estimación. Además, para corroborar el pa-
trón de variabilidad sistemática, las variables evalua-
das se representaron tridimensionalmente en gráficas
3D utilizando el programa SURFER [21].
3. RESULTADOS Y DISCUSIÓN
3.1. Análisis estadístico
El análisis exploratorio de los datos proceden-
tes del muestreo sistemático indican que, en general,
los suelos presentan un mediano EA, texturas com-
prendidas entre francas (F), franco-arenosas (Fa) y
franco-arcillo arenosas (FAa) y una moderada fertili-
dad reflejada por los altos contenidos de Ca, Mg y K
que se presentan conjuntamente con cantidades me-
dias de MO y bajos niveles de P. No presentan pro-
blemas de salinidad (Tabla 1).
Los resultados del análisis estadístico univaria-
do para los atributos de la zona estudiada indican que
las mayores variaciones (superiores al 50%) las pre-
sentan las variables físicas; donde destacan %EG, EB
y PC, con coeficientes de variación (CV) de 77, 75 y
55 %, respectivamente. Sin embargo, el fósforo tam-
bién posee un alto CV (66 %). No obstante, el resto
de los atributos estudiados, tanto físicos como quími-
cos, tienen un CV inferior al 50 % lo cual, en general,
indica una baja variación.
Los menores CV lo presentan las variables quí-
micas, destacándose en orden decreciente los atribu-
tos de MO, Ca y pH. Este último, aunque presenta la
menor variación debido a la escala logarítmica en
que se expresa, sin embargo, comprende un rango
relativamente amplio que va desde moderadamente
ácido hasta la neutralidad.
Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008 63
 Evaluación de los suelos mediante la aplicación de métodos geoestadísticos

Tabla 1. Estadísticos descriptivos de los datos procedentes del muestreo sistemático.

Atributo Mínimo Máximo Media Mediana CV Varianza Asimetría Curtosis
pH 5,5 6,7 6,2 6,1 4 0,07 -0,08 -0,11
EA (cm) 5 19 11 10 32 12,5 1,01 0,50
EB (cm) 5 89 29 22 75 482 1,37 1,26
PC (cm) 15 100 40 34 55 487 1,26 1,03
CE (dS m-1) 0,08 0,38 0,19 0,18 34 0,004 0,97 0,90
%MO 1,2 3,1 2,6 2,7 17 0,2 -1,61 2,13
P (mg kg-1) 4 41 12 10 66 160 2,11 4,63
K (mg kg-1) 222 868 457 460 31 19519 0,31 -0,34
Ca (mg kg-1) 600 980 759 740 11 7535 0,55 -0,22
Mg (mg kg-1) 52 204 136 134 28 1436 -0,21 -0,66
%A 7 39 22 23 35 60,3 0,21 -0,56
%L 10 51 30 30 26 59,5 0,29 0,82
%a 32 68 48 48 20 89,8 0,11 -0,79
%EG 1 33 11 9 77 69,4 0,94 -0,01

3.2. Pruebas de normalidad.
De acuerdo con los histogramas, los diagramas
de caja, los gráficos de normalidad y las pruebas de
normalidad de los atributos considerados, ninguno de
éstos presenta una distribución normal. Ello se ve
reflejado en los valores de asimetría y curtosis distan-
tes de cero (0) en el Tabla 1. Sin embargo, los atribu-
tos Mg, %A, %L y %a parecen cumplir con el su-
puesto de normalidad de acuerdo a los resultados de
la prueba de Kolmogorov-Smirnov (Tabla 2). No obs-
tante, estos resultados se encuentran en el límite infe-
rior de la significación verdadera por lo que se reali-
zaron adicionalmente los gráficos de normalidad de
estos atributos permitiendo verificar finalmente que
las muestras no procedían de poblaciones normales.
Inicialmente, de acuerdo a los resultados de la
aplicación de la metodología de cercas externas e in-
ternas de Tukey [15], se encontraron 2 y 3 valores
atípicos para los atributos de %MO y P; respectiva-
mente (Tabla 3). Esto también concuerda con los rela-
tivamente elevados índices de curtosis que se obser-
varon para los referidos atributos (Tabla 1). En estos
casos, después de eliminarlos, se realizó un nuevo
AED para obtener los respectivos diagramas de caja,
histogramas y gráficos de normalidad. Sin embargo,
aunque disminuyeron las diferencias entre la media y
la mediana y los coeficientes de asimetría y curtosis,
estas disminuciones no fueron suficientes para inferir
una distribución normal con relación a los atributos %
MO y P. Es importante destacar que la eliminación de
los casos extremos influyó en una disminución de los
CV para los valores de P y %MO; de 66 a 49 % y de
17 a 14 %, respectivamente.
Adicionalmente, la matriz de correlación arrojó
algunas relaciones importantes entre los atributos es-
tudiados, encontrándose los mayores coeficientes pa-
ra los pares: %A-K, %A-EA; CE-EB, K-EA, K-%a,
Mg-pH y %MO-K; tal como se señala en el Tabla 4.
Por otra parte, el análisis de componentes principales
(Tabla 5) indicó que los atributos EA, %A, K, P, Ca,
pH, Mg y %EG son los más importantes en la zona
estudiada, ya que, dichos atributos son capaces de
explicar el 79 % de la variabilidad presente en el sec-
tor. Los primeros tres componentes (EA, %A, K, EB,
EC) absorben la mayor cantidad de variabilidad posi-
ble del conjunto de datos edáficos seleccionados en la
zona de estudio (52,7 %) y los componentes restantes
absorben el resto (pH, P, %EG) (como se observa en
la Tabla 6).
3.3. Análisis geoestadístico.
Para cada atributo considerado en este estudio,
los parámetros geoestadísticos más importantes que
se derivaron del ajuste de los semivariogramas a dife-
rentes modelos teóricos, por el método de los míni-
mos cuadrados ponderados, se encuentran expresados
en el Tabla 7. Se asumió la condición de isotropía,
debido a que el número de datos es menor de 100 [22,
23].

64 Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008

Valera, Alvarez y García

Tabla 2. Pruebas de normalidad.

Kolmogorov-Smirnov (K-S)
Atributo
Estadístico K-S Grados de libertad P-valor
pH 0,13 60 0,01
EA (cm) 0,20 60 0,00
EB (cm) 0,17 60 0,00
PC (cm) 0,16 60 0,00
CE (dS m -1) 0,12 60 0,02
%MO 0,24 60 0,00
-1
P (mg kg ) 0,29 60 0,00
K (mg kg-1) 0,13 60 0,02
-1
Ca (mg kg ) 0,13 60 0,01
Mg (mg kg-1) 0,07 60 0,20
%A 0,10 60 0,20
%L 0,09 60 0,20
%a 0,09 60 0,20
%EG 0,16 60 0,00

Nivel significación α = 0,05

Tabla 3. Valores límites de los datos derivados del muestreo sistemático en los suelos
del Centro de Producción con Rumiantes - UNERG.

Atributo Mínimo Máximo CIi CIs CEi CEs Atípicos

pH 5,5 6,70 5,51 6,81 5,03 7,3 0
EA (cm) 5 19 4,50 16,50 0,00 21 0
EB (cm) 5 89 0,00 78,89 0,00 118,5 0
PC (cm) 15 100 0,00 93,00 0,00 135 0
CE (dS m-1) 0,08 0,38 0,02 0,34 0,00 0,46 0
%MO 1,2 3,1 2,01 3,39 1,49 3,91 2
P (mg kg-1) 4 41 0,00 22,15 0,00 32,8 3
K (mg kg-1) 222 868 0,00 939 0,00 1297 0
Ca (mg kg-1) 600 980 520 1000 340 1180 0
Mg (mg kg-1) 52 204 22 254 0,00 340 0
%A 6,9 39 1,30 41,10 0,00 56,0 0
%L 10,4 51 10,85 48,05 0,00 62,0 0
%a 32,1 68 19,38 77,35 0,00 99,1 0
%EG 1,2 33 0,00 36,24 0,00 55,7 0

En los semivariogramas de los atributos EA, EB,
PC, P, K, Ca, Mg, %A, %a y %EG se encontró siem-
pre un carácter transitivo, es decir, la semivarianza
aumentó con los incrementos de la distancia hasta
llegar a un máximo en la cual se estabiliza indicando,
por tanto, la presencia de dependencia espacial. Para
las variables que presentaron dependencia espacial, el
alcance generalmente fluctuó entre 26 y 94 m (Tabla
7); con un promedio de unos 40 m.
Por otra parte, atributos como pH, CE, %MO y
%L sólo se ajustaron a un modelo lineal, ya que pre-

Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008 65

 Evaluación de los suelos mediante la aplicación de métodos geoestadísticos
sentaron un comportamiento completamente aleatorio
(no hay correlación entre las muestras) lo que indica
que no tienen estructura ni presentan dependencia
espacial a la escala estudiada. Ejemplos seleccionados
y representativos de estos comportamientos en los
semivariogramas se encuentran, respectivamente, en
las Figuras 1a, 1b, 1c y 1d.
3.4 Interpolaciones (Kriging)
Para caracterizar espacialmente la variabilidad
presente en el sector, se utilizó el alcance, el umbral y
la varianza aleatoria obtenidas de los
semivariogramas para cada atributo considerado, para
estimar los valores de los atributos, con su respectivo
error de estimación, en sitios no muestreados utili-
zando el proceso de interpolación por kriging puntual.
Esto permite representar de manera gráfica y tridi-
mensional la variabilidad espacial de cada atributo.

Tabla 4. Matriz de correlación de atributos en los suelos del Centro de Producción con Rumiantes - UNERG.

Atributo pH EA EB PC CE %MO P K Ca Mg %A %L %a %
EG
pH 1
EA (cm) 0,20 1
EB (cm) 0,27* -0,05 1
PC (cm) 0,31* 0,11 0,99* 1
CE (dS m-1) 0,34* -0,09 0,49* 0,47* 1
%MO -0,14 0,21 0,09 0,12 -0,05 1
P (mg kg-1) -0,10 -0,16 -0,07 -0,10 -0,02 0,18 1
K (mg kg-1) -0,12 -0,43* 0,06 -0,01 0,32* -0,27* 0,13 1
Ca (mg kg-1) 0,08 0,27* 0,12 0,16 0,14 0,00 -0,34* -0,15 1
Mg (mg kg-
0,41* 0,10 0,29* 0,30* 0,02 0,01 -0,03 -0,28 -0,05 1
1)
%A 0,12 0,37* 0,00 0,06 -0,15 0,21 0,02 -0,51* 0,10 0,39* 1
%L -0,09 0,08 -0,12 -0,11 -0,19 -0,03 -0,16 0,00 -0,02 -0,04 -0,25 1
%a -0,02 -0,37* 0,10 0,04 0,27* -0,15 0,11 0,42* -0,07 -0,28 -0,62* -0,61* 1
%EG 0,11 0,08 0,00 0,01 0,13 0,18 -0,11 -0,10 -0,17 0,03 -0,10 -0,24 0,28 1

Tabla 5. Varianza total explicada por los componentes principales.

Autovalores iniciales
Componente
Total % de la varianza % acumulado
1 2.9 20.9 20.9
2 2.9 20.4 41.3
3 1.6 11.4 52.7
4 1.3 9.3 62.0
5 1.2 8.7 70.8
6 1.1 7.9 78.7
7 0.7 5.1 83.8
8 0.6 4.3 88.0
9 0.5 3.9 92.0
10 0.4 3.1 95.1
11 0.4 2.9 98.0
12 0.3 2.0 100.0
* 6 componentes extraídos
66 Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008
Valera, Alvarez y García

Tabla 6. Matriz de componentes seleccionados y comunalidades de atributos edáficos

en el Centro de Producción con Rumiantes - UNERG.

Componentes Seleccionados
Atributos
1 2 3 4 5 6 Comunalidades
pH - 0.302 - 0.742 - - 0.673
EA (cm) 0.659 - - -0.317 - 0.546
EB (cm) - 0.961 - 0.126 - - 0.939
PC (cm) - 0.958 - 0.121 - - 0.942
CE (dS m-1) 0.332 0.634 0.320 0.170 -0.116 - 0.660
%MO 0.481 0.275 - -0.562 0.293 0.294 0.796
P (mg kg-1) - - 0.202 -0.176 0.784 -0.224 0.739
K (mg kg-1) 0.774 0.116 - 0.107 -0.187 0.667
Ca (mg kg-1) 0.196 0.180 0.149 -0.174 -0.755 -0.304 0.786
Mg (mg kg-1) 0.393 0.234 - 0.667 0.221 - 0.707
%A 0.839 - 0.202 0.204 - -0.216 0.843
%L - - -0.968 - - - 0.958
%a 0.674 - 0.590 -0.132 - 0.242 0.886
%EG - - 0.133 - - 0.922 0.871
La rotación ha convergido en 11 iteraciones.
Nivel significación α = 0,05
Método de rotación: Normalización Varimax con Kaiser.

Tabla 7. Parámetros geoestadísticos de los semivariogramas compuestos, para los atributos estudiados, obteni-
dos con la aplicación del Programa VESPER (Australian Centre for Precision Agriculture).

Varianza
Alcance Nugget NR*
Atributos Modelo Explicada Umbral
(m) (C0) %
(C1)
pH Lineal con Umbral - 0,065 0 0,065 100,0
EA (cm) Esférico 31 1,0 12,3 13 7,5
EB (cm) Esférico 52 316 162,5 479 66,0
PC (cm) Lineal con Umbral 48 317 165,1 482 65,8
CE (dS m-1) Lineal con Umbral - 0,004 0 0,004 100,0
%MO Esférico - 0,128 0 0,128 100,0
-1
P (mg kg ) Esférico 29 5,00 23 28 17,7
K (mg kg-1) Esférico 56 13979 6046 20025 69,8
-1
Ca (mg kg ) Lineal con Umbral 40 1316 7033 8349 15,8
-1
Mg (mg kg ) Exponencial 87 666 815 1481 45,0
%A Lineal con Umbral 94 23 61 84 27,4
%L Lineal - 58 0 58 100,0
%a Lineal con Umbral 81 73 16 89 82,0
%EG Esférico 26 30 40 70,0 42,9

Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008 67

 Evaluación de los suelos mediante la aplicación de métodos geoestadísticos

a) EA b) %EG
S S
e e
m m
iv iv
ar ar
ia ia

Distancia (m) Distancia (m)

c) % A d) %MO

S S
e e
m m
iv iv
ar ar
ia ia

Distancia (m) Distancia (m)

Figura 1. Semivariogramas de atributos seleccionados: a) EA: fuerte dependencia espacial, b) %EG y

c) %A: moderada dependencia espacial, y d) %MO: sin estructura espacial.

En la Figura 2a se presenta el diagrama de in-
terpolación mediante kriging puntual para el atributo
con mayor dependencia espacial (EA) encontrado en
este estudio. La variación máxima en la parcela se
encuentra en el sentido SO-NE lo cual se corresponde
con la dirección de la pendiente general del área
estudiada (Figura 2a). El diagrama de errores (Figura
2b) se relaciona con el diagrama de estimación del
atributo EA, indicando que en las zonas con valores
altos de varianza el muestreo debe incrementarse para
mejorar la precisión de las estimaciones.
Los errores fueron mayores hacia el extremo
SO porque en esa zona dejaron de tomarse 4 puntos
de muestreo (de un total posible de 64 en una parcela
de 140 m x 140 m) debido a lo agreste del terreno.
En consecuencia, es recomendable establecer
las parcelas experimentales en las áreas de menor
variación desechando el extremo mencionado. Esta
misma situación se observó para el resto de los atribu-
tos que presentaron alguna estructura de dependencia
espacial.
Tal como era de esperarse, los diagramas de
errores señalan que las estimaciones fueron mejores
para EA, P y Ca como consecuencia de su menor
variabilidad aleatoria. Por otra parte, los atributos
con menor dependencia espacial mostraron errores de
estimación más altos por lo que los valores estimados
no tendrían la misma confiabilidad que la de los
atributos que reflejan una mejor estructura en sus
semivariogramas.
Adicionalmente, se presenta el mapa de
isolíneas para EA (Figura 3). La finalidad de este dia-
grama es visualizar, en conjunto, el patrón de vari-
abilidad espacial y el rango de dependencia de dicho
atributo y tomar las decisiones más acertadas para la
realización de un muestreo adecuado de los suelos y

68 Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008

Valera, Alvarez y García

el establecimiento de parcelas experimentales de embargo, para el proceso de validación se considera-

acuerdo con las condiciones del terreno.
Con relación a lo primero, los muestreos debe-
rían ejecutarse e intensificarse en aquellos sectores
donde son mayores los errores de estimación. Por otra
parte, con relación a la ubicación de las parcelas ex-
perimentales, las unidades experimentales deben ubi-
carse en aquellos sitios donde la variabilidad en la
distribución de los valores de los atributos y el error
de sus estimaciones sea menor. Para ello, puede usar-
se como referencia el mapa de isolíneas de la variable
EA ó la distribución de los errores de sus estimaciones
porque, para este atributo, se obtuvo el menor valor
de nugget relativo (NR) [Tabla 4], también porque
dicha variable ejerce un mayor efecto limitante en los
suelos, se encuentra correlacionada con las conteni-
dos de los elementos Ca y K, y además, dicha varia-
ble estuvo entre los 5 atributos que explican el 79 %
de la variabilidad en la zona estudiada.
3.5 Validación
Para la validación de los datos se realizó un
segundo muestreo de suelos recolectando un total de
14 muestras. En este caso, tomando en cuenta el atri-
buto del suelo que presenta mayor variación (EA), se
consideraron los siguientes parámetros: un nivel de
confianza del 95 %, una tolerancia máxima del error
de estimación igual a 3,16 cm, la varianza estimada
de 12,5 cm y una población conocida de 60 muestras
de suelos, se obtuvo un valor n igual a 5 muestras. Sin
ron un total de 14 muestras de suelos referenciadas
espacialmente.
Para verificar la capacidad de interpolación del
método kriging se consideraron variables que aparte
de presentar una mayor dependencia espacial, tam-
bién son fáciles de determinar en un tiempo pruden-
cial, tales como EA y %A.
En la Tabla 8 se señalan los resultados de los
datos medidos en campo y laboratorio para las varia-
bles seleccionadas. Los resultados indican que para la
variable que presenta mayor varianza aleatoria (EA)
presenta un valor de ECM menor a la unidad, lo cual
significa que el la capacidad de estimación del inter-
polador utilizado es de alto grado de certeza para la
zona de estudio. Sin embargo, en el caso de la varia-
ble de moderada dependencia espacial (%A) el resul-
tado del ECM no es tan promisorio, ya que existen
sitios muestreados con altas diferencias entre los va-
lores estimados y los valores experimentales.
Para el resto de los atributos derivados del aná-
lisis mecánico, tales como %L y %a, no se consideró
necesaria la realización de los cálculos de ECM, debi-
do a que ambas variables presentan colinealidad con
el %A; además, el %a presenta una débil dependencia
espacial y %L no presenta estructura de dependencia
espacial. Ello indicaría que los errores de estimación
de estos son superiores a los atributos considerados.

Tabla 8. Atributos utilizados en el proceso de validación y resultados del ECM.

Muestra Norte (m) Este (m) EA (Real) EA (Estimado) %A (Real) %A (Estimado)

1 1095199 673642 9 9.6 21.9 22.8
2 1095255 673611 14 13.5 25.9 25.8
3 1095259 673668 18 17.4 21.5 19.8
4 1095235 673702 12 11.1 21.9 19.0
5 1095222 673717 12 10.4 24.5 12.2
6 1095243 673739 10 10.0 22.5 11.1
7 1095262 673730 7.5 9.6 19.9 18.8
8 1095329 673708 5.5 6.4 25.9 25.3
9 1095315 673763 12 11.8 23.9 24.1
10 1095338 673771 7 7.6 24.5 21.7
11 1095320 673789 6 7.1 25.8 16.5
12 1095290 673814 20 18.8 29.9 27.7
13 1095276 673820 15 14.2 28.5 27.1
14 1095273 673810 12 12.2 26.5 24.0
ECM 0.941 28.612

Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008 69

 Evaluación de los suelos mediante la aplicación de métodos geoestadísticos
4. CONCLUSIONES
El análisis geoestadístico indicó que los
semivariogramas de los atributos en la zona estudiada
presentan un carácter transitivo donde hay atributos
con fuerte (EA, P, Ca), moderada (EB, PC, K, Mg, %A,
%EG) y débil dependencia espacial (%a), así como,
variables sin estructura espacial (pH, CE, %MO, %
L). Es altamente significativo que el ACP indicara
que los atributos EA, P, Ca, %MO y %EG explicaran
el 79 % de la variación presente en el sitio evaluado
porque éstos, excepto %EG, corresponden a atributos
con fuerte y moderada dependencia espacial y,
además, representan a aquellos que tienen importan-
cia fundamental en la fertilidad y/o en la posible ex-
plicación sobre el origen de los procesos deposicion-
ales que actualmente caracterizan el suelo.
El análisis geoestadístico también permitió de-
terminar que los patrones de mayor variación están
relacionados con los procesos de erosión y acumu-
lación que ocurren en la dirección de la pendiente del
terreno en el sentido SO-NE. Esto es muy importante
porque, en este caso, se determina que la variabilidad
que tiene el suelo en sus atributos no solo sería fun-
ción de la acción combinada de los factores y
procesos formadores sino que está altamente condi-
cionada por la ubicación geográfica del suelo. Por
tanto, no es de extrañar que la menor varianza aleato-
ria correspondiera a EA (7,5 %), ya que, el arrastre de
materiales en el sentido de la pendiente originaría
estratos A delgados y horizontes B poco profundos.
Es necesario considerar el método de muestreo a uti-
lizar para el proceso de validación de los datos inter-
polados, ya que dependiendo del comportamiento del
atributo evaluado y el rango de dependencia espacial,
es posible cometer errores al realizar la toma de
muestras de suelos en áreas cercanas a los límites in-
fluye en los resultados experimentales aumentando
los errores. En el presente caso es preferible utilizar
un muestreo estratificado.
Para el establecimiento de parcelas experimen-
tales hay que considerar que las mismas no deben ser
superiores al rango de dependencia espacial de los
atributos más relevantes desde el punto de vista de
variabilidad (entre 30-35 m), evitando los extremos
NE y SO del área de estudio por presentar estima-
ciones de menor confiabilidad. De igual manera la
orientación de las parcelas deben corresponderse con
70 Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008
el sentido contrario a la pendiente del terreno, para
evitar el efecto de la misma sobre los tratamientos a
considerar.
Para el muestreo de suelos con fines de fertili-
dad hay que tomar las muestras de suelos a una
separación superior al rango de dependencia espacial
promedio (30-35 m), para garantizar la independencia
de las muestras y para que se capture la máxima vari-
abilidad presente en la zona estudiada. Asimismo, la
superficie para una muestra compuesta que garantice
la homogeneidad de la estructura interna de las parce-
las experimentales no debe ser superior a 0,40 ha para
así permitir la representatividad de la misma.
De acuerdo con estos aspectos, se podrían ob-
tener explicaciones más adecuadas entre las rela-
ciones suelo-planta-clima-animal y se afinarían las
recomendaciones con fines de fertilidad para las
evaluaciones de plantas forrajeras y las diferentes
alternativas a utilizar para complementar la ali-
mentación animal de rumiantes (ovinos y caprinos) en
el Centro de Producción.
5. REFERENCIAS BIBLIOGRÁFICAS
[1] Webster, R. (1985). Quantitative spatial analysis
of soil in the field. Advances in Soil Science,
vol. 3. New York. 70 p.
[2] Regalado C. y A. Ritter. (2005). Técnicas
geostadísticas para caracterizar la variabilidad
espacial de la hidrofobicidad en la zona no
saturada de una cuenca forestal. Estudios de la
Zona No Saturada del Suelo Vol.VII (235-240).
[3] Trangmar, B.; R. Yost y G. Uehara. (1985). Ap-
plications of geostatistics to spatial studies of
soil properties. Advances in Agronomy. 38: 45-
94.
[4] Upchurch, D. y W.J. Edmonds. (1992). Statistical
procedures for specific objectives. In: Spatial
variabilities of soils and landforms. SSSA Spe-
cial publication No. 28. 2ª Ed. SSSA. Madison.
pp: 49-71.
[5] Viloria, J. (1991). Interrelación entre sistemas de
información de suelo y levantamiento de suelos:
Optimización de los procedimientos de adquisi-
ción de datos. Trabajo de Ascenso (Profesor
Agregado). Facultad de Agronomía, Universidad
Central de Venezuela. Maracay. 191 p.
Valera, Alvarez y García

[6] Hengl, T; N. Toomanian ; H.I. Reuter y M.J. for Precision Agriculture. McMilan Building.
Malakouti. (2007). Methods to interpolate soil The University of Sidney, NSW 2006.
categorical variables from profile observations: [18] Goovaerts, P. (1998). Geostatistical tools for
Lessons from Iran. Geoderma 140: 417-427. characterizing the spatial variability of microbi-
[7] Hamlett, J. M.; R. Horton y N. Cressie. (1986). ological and phisico-chemical soil properties.
Resistant and exploratory techniques for use in Biol Fert Soils 27:315-34.
semivariogram analyses. Soil Sci. Soc. Am. J. [19] Hengl, T., G. Heuvelink Y A. Stein. (2003). A
50: 868-875. generic framework for spatial prediction of soil
[8] Fernández, L. y G. Elizalde. (1995). Variabili- variables based on regression-kriging. Ge-
dad espacial de la erosión por salpique en suelos oderma, 120: 75-93
de la Cuenca Alta del Río Petaquire. Venesuelos [20] Pérez-Rodríguez, R., M.J. Marques y R. Bienes.
4(1-2):2-8. (2007). Spatial variability of the soil erodibility
[9] Grunwald, S.; R.L. Rivero y K. Ramesh. (2007). parameters and their relation with the soil map at
Understanding spatial variability and its applica- subgroup level. Science of the Total Environ-
tion to biogeochemistry analysis. In: D. Sarkar, ment 378 (2007) 166–173.
R. Datta and R. Hannigan (Ed.). Developments [21] Golden Software. (1999). Surfer. Surface Map-
in Environmental Science, 5:443-463. Elsevier ping System. Golden Software Inc. Golden,
Ltd. ISSN: 1474-8177 Colorado. Version 7.00
[10] Ovalles, F. (1992). Metodología para determinar [22] Moral, F.J. (2004). Aplicación de la
la superficie representada por muestras tomadas geoestadística en las ciencias ambientales. Eco-
con fines de fertilidad. FONAIAP-CENIAP- sistemas. 13:1. [En línea]: www.aeet.org/
IIAG. Maracay. Serie B. 44 p. ecosistemas/041/documentos/Revision3.htm.
[11] Mueller, T. G.; N. B. Pusuluri; K. K. Mathias; P. [23] Obando, M.; H. Franco; H. Villegas; A. Mauri-
L. Cornelius, R. I. Barnhisel y S.A. Shearer. cio, P Betancur y H Jorge. (2006). Variabilidad
(2004). Map Quality for Ordinary Kriging and espacial de propiedades químicas y físicas en un
Inverse Distance Weighted Interpolation. Soil Typic Udivitrands, arenoso de la Región Andina
Sci. Soc. Am. J. 68:2042–2047. Central Colombiana. Rev. Fac. Nal. Agr.
[12] Ovalles F. y M. Núñez. (1994). Métodos Medellín, 59 (1): 3217-3235.
estadísticos para evaluar la variabilidad de sue-
los dentro de unidades de capacidad de uso en la
Depresión del Lago de Valencia. Agronomía
Trop. 44(1):23-40.
[13] Burrough, P. (1986). Principles of geographical
information systems land resources assessment.
Clarendon Press Oxford.
[14] Viloria, J. (2006). Predicción Espacial de
Propiedades del Suelo por medio de Modelos
Discretos y Modelos Continuos de Variación.
Trabajo de Ascenso (Titular). Maracay, Vene-
zuela; Facultad de Agronomía, Universidad Cen-
tral de Venezuela. 109 p.
[15] SPSS (2001). SPSS Para Windows. Version
11.0.1. Standard version.
[16] Rey, J.C. y F. Ovalles. (2000). Efecto de Técni-
cas exploratorias de los datos en estimaciones
Kriging de propiedades del suelo. Agronomía
Trop. 51(1): 81-106.
[17] Minasny, B., A.B. Mcbratney y M. Whelan.
(2002). VESPER. Version 1.6. Australian Centre

Rev. INGENIERÍA UC. Vol. 15, No 2, Agosto 2008 71