Está en la página 1de 11
REVISTA INGENIERÍA UC. Vol. 15, N 2 61-71, 2008

REVISTA INGENIERÍA UC. Vol. 15, N o 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

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.

La geoestadística es el nombre que recibe el 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].

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

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

  • 62 Rev. INGENIERÍA UC. Vol. 15, No 2 Agosto 2008

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 (E A ) y el espesor del hori- zonte B (E B ), infiriéndose la profundidad al horizonte C (P C ) como E A + E B .

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 (E A ) 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 E A , 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, E B y P C , 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.

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

E A (cm)

5

19

11

10

32

12,5

1,01

0,50

E B (cm)

5

89

29

22

75

482

1,37

1,26

P C (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 E A , %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 (E A , %A, K, E B , E C ) 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].

Valera, Alvarez y García

Tabla 2. Pruebas de normalidad.

Atributo

Kolmogorov-Smirnov (K-S) Estadístico K-S Grados de libertad

P-valor

pH

0,13

60

0,01

E A (cm)

0,20

60

0,00

E B (cm)

0,17

60

0,00

P C (cm)

0,16

60

0,00

CE (dS m -1 )

0,12

60

0,02

%MO

0,24

60

0,00

P (mg kg -1 )

0,29

60

0,00

K (mg kg -1 )

0,13

60

0,02

Ca (mg kg -1 )

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

E A (cm)

5

19

4,50

16,50

0,00

21

0

E B (cm)

5

89

0,00

78,89

0,00

118,5

0

P C (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 E A , E B , P C , 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-

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

               
 

-0,10

-0,16

-0,07

-0,10

-0,02

0,18

1

             

P (mg kg-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.

Componente

 

Autovalores iniciales

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

Valera, Alvarez y García

Tabla 6. Matriz de componentes seleccionados y comunalidades de atributos edáficos en el Centro de Producción con Rumiantes - UNERG.

Atributos

Componentes Seleccionados

1

2

3

4

5

6

Comunalidades

pH E A (cm) E B (cm) P C (cm) CE (dS m -1 ) %MO P (mg kg -1 ) K (mg kg -1 ) Ca (mg kg -1 ) Mg (mg kg -1 ) %A %L %a %EG

-

0.659

-

-

0.332

0.481

-

0.774

0.196

0.393

0.839

-

0.674

-

0.302

-

0.961

0.958

0.634

0.275

-

0.116

0.180

0.234

-

-

-

-

-

-

-

-

0.320

-

0.202

-

0.149

-

0.202

-0.968

0.590

0.133

0.742

0.126

0.121

0.170

-0.562

-0.176

-0.174

0.667

0.204

-

-0.132

-

-

-0.317

-

-

-0.116

0.293

0.784

0.107

-0.755

0.221

-

-

-

-

-

-

-

-

-

0.294

-0.224

-0.187

-0.304

-

-0.216

-

0.242

0.922

0.673

0.546

0.939

0.942

0.660

0.796

0.739

0.667

0.786

0.707

0.843

0.958

0.886

0.871

La rotación ha convergido en 11 iteraciones. Método de rotación: Normalización Varimax con Kaiser.

Nivel significación α = 0,05

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).

Atributos

Modelo

Alcance

(m)

Nugget

(C 0 )

Varianza Explicada (C 1 )

Umbral

NR*

%

pH E A (cm) E B (cm) P C (cm) CE (dS m -1 ) %MO P (mg kg -1 ) K (mg kg -1 ) Ca (mg kg -1 ) Mg (mg kg -1 ) %A %L %a %EG

Lineal con Umbral Esférico Esférico Lineal con Umbral Lineal con Umbral Esférico Esférico Esférico Lineal con Umbral Exponencial Lineal con Umbral Lineal Lineal con Umbral Esférico

-

31

52

48

-

-

29

56

40

87

94

-

81

26

0,065

1,0

316

317

0,004

0,128

5,00

13979

1316

666

23

58

73

30

0

12,3

162,5

165,1

0

0

23

6046

7033

815

61

0

16

40

0,065

13

479

482

0,004

0,128

28

20025

8349

1481

84

58

89

70,0

100,0

7,5

66,0

65,8

100,0

100,0

17,7

69,8

15,8

45,0

27,4

100,0

82,0

42,9

Evaluación de los suelos mediante la aplicación de métodos geoestadísticos

S

e

m

iv

ar

ia

a) E A Distancia (m)
a) E A
Distancia (m)

S

e

m

iv

ar

ia

c) % A Distancia (m)
c) % A
Distancia (m)
b) %EG S e m iv ar ia
b)
%EG
S
e
m
iv
ar
ia

Distancia (m)

d) %MO S e m iv ar ia
d)
%MO
S
e
m
iv
ar
ia

Distancia (m)

Figura 1. Semivariogramas de atributos seleccionados: a) E A : 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 E A (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

Valera, Alvarez y García

el establecimiento de parcelas experimentales de 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 E A 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 (E A ), 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

embargo, para el proceso de validación se considera- 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 E A 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 (E A ) 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)

E A (Real)

E A (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

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 (E A , P, Ca), moderada (E B , P C , 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 E A , 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 E A (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

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. Malakouti. (2007). Methods to interpolate soil categorical variables from profile observations:

for Precision Agriculture. McMilan Building. The University of Sidney, NSW 2006. [18] Goovaerts, P. (1998). Geostatistical tools for

ecosistemas/041/documentos/Revision3.htm.

[7]

Lessons from Iran. Geoderma 140: 417-427. Hamlett, J. M.; R. Horton y N. Cressie. (1986). Resistant and exploratory techniques for use in semivariogram analyses. Soil Sci. Soc. Am. J. 50: 868-875.

characterizing the spatial variability of microbi- ological and phisico-chemical soil properties. Biol Fert Soils 27:315-34. [19] Hengl, T., G. Heuvelink Y A. Stein. (2003). A 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 de la Cuenca Alta del Río Petaquire. Venesuelos

oderma, 120: 75-93 [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- tion to biogeochemistry analysis. In: D. Sarkar, R. Datta and R. Hannigan (Ed.). Developments in Environmental Science, 5:443-463. Elsevier Ltd. ISSN: 1474-8177 [10] Ovalles, F. (1992). Metodología para determinar la superficie representada por muestras tomadas con fines de fertilidad. FONAIAP-CENIAP- IIAG. Maracay. Serie B. 44 p.

subgroup level. Science of the Total Environ- ment 378 (2007) 166–173. [21] Golden Software. (1999). Surfer. Surface Map- ping System. Golden Software Inc. Golden, Colorado. Version 7.00 [22] Moral, F.J. (2004). Aplicación de la geoestadística en las ciencias ambientales. Eco- sistemas. 13:1. [En línea]: www.aeet.org/

[11] Mueller, T. G.; N. B. Pusuluri; K. K. Mathias; P. L. Cornelius, R. I. Barnhisel y S.A. Shearer. (2004). Map Quality for Ordinary Kriging and Inverse Distance Weighted Interpolation. Soil Sci. Soc. Am. J. 68:2042–2047. [12] Ovalles F. y M. Núñez. (1994). Métodos 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

[23] Obando, M.; H. Franco; H. Villegas; A. Mauri- cio, P Betancur y H Jorge. (2006). Variabilidad espacial de propiedades químicas y físicas en un Typic Udivitrands, arenoso de la Región Andina Central Colombiana. Rev. Fac. Nal. Agr. Medellín, 59 (1): 3217-3235.