Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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.
global (GPS) y las muestras fueron tomadas en cada tal de la distancia fue 20 m. Utilizando el programa
intersección de la cuadrícula; exceptuando 4 puntos VESPER (Variogram Estimation and Spatial Predic-
por impedimento físico. Adicionalmente en el campo, tion plus ERror) del Centro Australiano de Agricultu-
para cada punto de muestreo, se registró el espesor ra de Precisión [17], los semivariogramas se ajustaron
del horizonte superficial (EA) y el espesor del hori- a modelos teóricos conocidos (lineal, lineal con um-
zonte B (EB), infiriéndose la profundidad al horizonte bral, esférico, exponencial) por el método de los míni-
C (PC) como EA + EB. mos cuadrados ponderados.
A las muestras superficiales, después de seca- Con la información derivada de los semivario-
das al aire, trituradas y tamizadas (< 2 mm), se les gramas ajustados, se estimaron valores en sitios no
realizó un diagnóstico con fines de fertilidad utilizan- muestreados utilizando el método de interpolación
do para ello las metodologías del Laboratorio de Aná- por kriging puntual [18 - 20]; generándose entonces
lisis de Suelos del Centro de Investigación en Suelos diagramas de las estimaciones y de los errores asocia-
y Aguas (CIESA) de la UNERG. Allí se determinaron dos a la estimación. Además, para corroborar el pa-
los porcentajes de arena (%a), limo (%L), arcilla (% trón de variabilidad sistemática, las variables evalua-
A) y de esqueleto grueso (%EG), contenido de mate- das se representaron tridimensionalmente en gráficas
ria orgánica (MO), pH, conductividad eléctrica (CE) 3D utilizando el programa SURFER [21].
y elementos disponibles: fósforo (P), potasio (K), cal-
cio (Ca) y magnesio (Mg). 3. RESULTADOS Y DISCUSIÓN
3.2. Pruebas de normalidad. los casos extremos influyó en una disminución de los
De acuerdo con los histogramas, los diagramas CV para los valores de P y %MO; de 66 a 49 % y de
de caja, los gráficos de normalidad y las pruebas de 17 a 14 %, respectivamente.
normalidad de los atributos considerados, ninguno de
éstos presenta una distribución normal. Ello se ve Adicionalmente, la matriz de correlación arrojó
reflejado en los valores de asimetría y curtosis distan- algunas relaciones importantes entre los atributos es-
tes de cero (0) en el Tabla 1. Sin embargo, los atribu- tudiados, encontrándose los mayores coeficientes pa-
tos Mg, %A, %L y %a parecen cumplir con el su- ra los pares: %A-K, %A-EA; CE-EB, K-EA, K-%a,
puesto de normalidad de acuerdo a los resultados de Mg-pH y %MO-K; tal como se señala en el Tabla 4.
la prueba de Kolmogorov-Smirnov (Tabla 2). No obs- Por otra parte, el análisis de componentes principales
tante, estos resultados se encuentran en el límite infe- (Tabla 5) indicó que los atributos EA, %A, K, P, Ca,
rior de la significación verdadera por lo que se reali- pH, Mg y %EG son los más importantes en la zona
zaron adicionalmente los gráficos de normalidad de estudiada, ya que, dichos atributos son capaces de
estos atributos permitiendo verificar finalmente que explicar el 79 % de la variabilidad presente en el sec-
las muestras no procedían de poblaciones normales. tor. Los primeros tres componentes (EA, %A, K, EB,
EC) absorben la mayor cantidad de variabilidad posi-
Inicialmente, de acuerdo a los resultados de la ble del conjunto de datos edáficos seleccionados en la
aplicación de la metodología de cercas externas e in- zona de estudio (52,7 %) y los componentes restantes
ternas de Tukey [15], se encontraron 2 y 3 valores absorben el resto (pH, P, %EG) (como se observa en
atípicos para los atributos de %MO y P; respectiva- la Tabla 6).
mente (Tabla 3). Esto también concuerda con los rela-
tivamente elevados índices de curtosis que se obser- 3.3. Análisis geoestadístico.
varon para los referidos atributos (Tabla 1). En estos Para cada atributo considerado en este estudio,
casos, después de eliminarlos, se realizó un nuevo los parámetros geoestadísticos más importantes que
AED para obtener los respectivos diagramas de caja, se derivaron del ajuste de los semivariogramas a dife-
histogramas y gráficos de normalidad. Sin embargo, rentes modelos teóricos, por el método de los míni-
aunque disminuyeron las diferencias entre la media y mos cuadrados ponderados, se encuentran expresados
la mediana y los coeficientes de asimetría y curtosis, en el Tabla 7. Se asumió la condición de isotropía,
estas disminuciones no fueron suficientes para inferir debido a que el número de datos es menor de 100 [22,
una distribución normal con relación a los atributos % 23].
MO y P. Es importante destacar que la eliminación de
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
Tabla 3. Valores límites de los datos derivados del muestreo sistemático en los suelos
del Centro de Producción con Rumiantes - UNERG.
En los semivariogramas de los atributos EA, EB, las variables que presentaron dependencia espacial, el
PC, P, K, Ca, Mg, %A, %a y %EG se encontró siem- alcance generalmente fluctuó entre 26 y 94 m (Tabla
pre un carácter transitivo, es decir, la semivarianza 7); con un promedio de unos 40 m.
aumentó con los incrementos de la distancia hasta
llegar a un máximo en la cual se estabiliza indicando, Por otra parte, atributos como pH, CE, %MO y
por tanto, la presencia de dependencia espacial. Para %L sólo se ajustaron a un modelo lineal, ya que pre-
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
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
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
a) EA b) %EG
S S
e e
m m
iv iv
ar ar
ia ia
c) % A d) %MO
S S
e e
m m
iv iv
ar ar
ia ia
En la Figura 2a se presenta el diagrama de in- misma situación se observó para el resto de los atribu-
terpolación mediante kriging puntual para el atributo tos que presentaron alguna estructura de dependencia
con mayor dependencia espacial (EA) encontrado en espacial.
este estudio. La variación máxima en la parcela se
encuentra en el sentido SO-NE lo cual se corresponde Tal como era de esperarse, los diagramas de
con la dirección de la pendiente general del área errores señalan que las estimaciones fueron mejores
estudiada (Figura 2a). El diagrama de errores (Figura para EA, P y Ca como consecuencia de su menor
2b) se relaciona con el diagrama de estimación del variabilidad aleatoria. Por otra parte, los atributos
atributo EA, indicando que en las zonas con valores con menor dependencia espacial mostraron errores de
altos de varianza el muestreo debe incrementarse para estimación más altos por lo que los valores estimados
mejorar la precisión de las estimaciones. no tendrían la misma confiabilidad que la de los
atributos que reflejan una mejor estructura en sus
Los errores fueron mayores hacia el extremo semivariogramas.
SO porque en esa zona dejaron de tomarse 4 puntos
de muestreo (de un total posible de 64 en una parcela Adicionalmente, se presenta el mapa de
de 140 m x 140 m) debido a lo agreste del terreno. isolíneas para EA (Figura 3). La finalidad de este dia-
grama es visualizar, en conjunto, el patrón de vari-
En consecuencia, es recomendable establecer abilidad espacial y el rango de dependencia de dicho
las parcelas experimentales en las áreas de menor atributo y tomar las decisiones más acertadas para la
variación desechando el extremo mencionado. Esta realización de un muestreo adecuado de los suelos y
[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