* A QUIEN INTERESE *

Por medio de la presente hacemos constar que Jairo Ferrer, Angel

Valera, José Guerrero-Alves y Bestalia Flores, participaron con
la ponencia APLICACIÓN DE MÉTODOS GEOESTADÍSTICOS
EN LA EVALUACIÓN DE LOS SUELOS DE SITIOS
EXPERIMENTALES, en la modalidad de ORAL, en la sesión
SISTEMAS DE INFORMACIÓN GEOGRÁFICA Y SENSORES
REMOTOS, en el XVIII Congreso Latinoamericano de la Ciencia
del Suelo, efectuado en San José, Costa Rica, del 16 al 20 de
noviembre de 2009. Dicha ponencia fue previamente sometida
a la Comisión Científica del XVIII CLACS 2009 y debidamente
aprobada.

Se extiende a solicitud de los interesados, en la ciudad de San

José, el viernes 20 de noviembre de 2009.
 XVIII Congreso Latinoamericano
de la Ciencia del Suelo
16 - 20 de noviembre, 2009 – Costa Rica

APLICACIÓN DE MÉTODOS GEOESTADÍSTICOS EN LA EVALUACIÓN DE

LOS SUELOS DE SITIOS EXPERIMENTALES

Jairo Ferrer (1), Ángel Valera (1), José Guerrero-Alves (1) y Bestalia Flores (2)
(1) Centro de Investigación en Suelos y Aguas Universidad Rómulo Gallegos, angelvalera@cantv.net,
joseguerreroa@gmail.com, jairofe@yahoo.com
(2) Instituto Nacional de Investigaciones Agropecuarias,bestalia.flores@gmail.com

Las herramientas geoestadísticas pueden usarse para estimar la fertilidad del suelo y generar
información básica, que permita una mejor interpretación de los resultados obtenidos en los
ensayos de producción agropecuaria. El objetivo de este trabajo fue determinar y analizar el
comportamiento espacial de atributos edáficos en un sitio experimental ubicado en el Centro de
Producción con Rumiantes de la Universidad Rómulo Gallegos (UNERG), San Juan de los
Morros, Estado Guárico, Venezuela. El mismo esta en un valle coluvial dominado por colinas y
montañas, posee una vegetación predominante de pasto yaraguá (Hyparrhenia rufa) y mastranto
(Mentha suaveolens) y un suelo de escaso desarrollo pedogenético (Haplustepts). En un marco
georeferenciado de 140 x 140 m, se realizó una red con cuadriculas cada 20 m y se tomaron las
muestras en cada intersección. Se midieron los atributos: espesor de los horizontes A (EA) y B
(EB); profundidad del horizonte C (PC); contenidos de Ca, Mg, K y P; porcentajes de arena (%a),
limo (%L), arcilla (%A) y esqueleto grueso (%EG); pH, conductividad eléctrica (CE) y % de
materia orgánica (MO). Se realizó un análisis exploratorio de datos, de componentes principales
y geoestadístico (semivariogramas e interpolación por kriging), así como un segundo muestreo
(15) para validar la interpolación, utilizando atributos de alta dependencia espacial y fáciles de
medir (EA, %A). El análisis geoestadístico indicó que hay atributos con fuerte (EA, P, Ca),
moderada (EB, PC, K, Mg, %A y %EG) y débil dependencia espacial (%a), así como otros sin
dependencia espacial (pH, CE, MO y %L). Se permitió reconocer que el suelo no es homogéneo
y ello puede influir en los resultados de los ensayos que se desarrollen. Los patrones de mayor
variación están relacionados con los procesos de erosión y acumulación que ocurren en la
dirección de la pendiente del terreno, en el sentido SO-NE. Al establecer parcelas experimentales
se sugiere que no sean 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 estimaciones de menor confiabilidad.

Palabras clave: geoestadística, variabilidad, fertilidad

1 XVIII Congreso Latinoamericano de la Ciencia del Suelo

 APLICACIÓN DE MÉTODOS GEOESTADÍSTICOS EN LA EVALUACION
DE LOS SUELOS DE SITIOS EXPERIMENTALES
JAIRO Ferrer (1) jairofe@yahoo.com,
ANGEL Valera (1) angelvalera@cantv.net,
JOSÉ Guerrero-Alves (1) joseguerreroa@gmail.com,
BESTALIA Flores (2) bestalia.flores@gmail.com.
(1) Centro de Investigación en Suelos y Aguas Universidad Rómulo Gallegos. Venezuela.
(2) Instituto Nacional de Investigaciones Agropecuarias. Venezuela.

Las herramientas geoestadísticas pueden usarse para estimar la fertilidad del suelo y generar
información básica, que permita una mejor interpretación de los resultados obtenidos en los
ensayos de producción agropecuaria. El objetivo de este trabajo fue determinar y analizar el
comportamiento espacial de atributos edáficos en un sitio experimental ubicado en el Centro
de Producción con Rumiantes de la Universidad Rómulo Gallegos (UNERG), San Juan de los
Morros, Estado Guárico, Venezuela. El mismo esta en un valle coluvial dominado por colinas
y montañas, posee una vegetación predominante de pasto yaraguá (Hyparrhenia rufa) y
mastranto (Mentha suaveolens) y un suelo de escaso desarrollo pedogenético (Haplustepts).
En un marco georeferenciado de 140 m x 140 m, se realizó una red con cuadriculas cada 20 m
y se tomaron las muestras en cada intersección. Se midieron los atributos: espesor de los
horizontes A (EA) y B (EB); profundidad del horizonte C (PC); contenidos de Ca, Mg, K y P;
porcentajes de arena (%a), limo (%L), arcilla (%A) y esqueleto grueso (%EG); pH,
conductividad eléctrica (CE) y porcentaje de materia orgánica (MO). Se realizó un análisis
exploratorio de datos, de componentes principales y geoestadístico (semivariogramas e
interpolación por kriging), así como un segundo muestreo (15) para validar la interpolación,
utilizando atributos de alta dependencia espacial y fáciles de medir (EA, %A). El análisis
geoestadístico indicó que hay atributos con fuerte (EA, P, Ca), moderada (EB, PC, K, Mg, %A
y %EG) y débil dependencia espacial (%a), así como otros sin dependencia espacial (pH, CE,
MO y %L). Se permitió reconocer que el suelo no es homogéneo y ello puede influir en los
resultados de los ensayos que se desarrollen. Los patrones de mayor variación están
relacionados con los procesos de erosión y acumulación que ocurren en la dirección de la
pendiente del terreno, en el sentido SO-NE. Al establecer parcelas experimentales se sugiere
que no sean 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 estimaciones de menor confiabilidad.
Palabras claves: Geoestadística, Variabilidad de suelos, Fertilidad de suelos.
 2

APLICACIÓN DE MÉTODOS GEOESTADÍSTICOS EN LA EVALUACION DE

LOS SUELOS DE SITIOS EXPERIMENTALES
JAIRO Ferrer (1) jairofe@yahoo.com,
ANGEL Valera (1) angelvalera@cantv.net,
JOSÉ Guerrero-Alves (1) joseguerreroa@gmail.com,
BESTALIA Flores (2) bestalia.flores@gmail.com.
(1) Centro de Investigación en Suelos y Aguas Universidad Rómulo Gallegos. Venezuela.
(2) Instituto Nacional de Investigaciones Agropecuarias. Venezuela.

INTRODUCCIÓN
Las variaciones espaciales pueden estudiarse a través de técnicas geoestadísticas que permiten
elaborar 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
predicciones 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, estimarlos con precisión en sitios no muestreados y diseñar
esquemas eficientes de muestreo (Webster, 1985; Oliver y Webster, 1986; Regalado y Ritter,
2005).

Las variables que presentan dependencia espacial son conocidas como variables regionalizadas,
las cuales son una función que describe un fenómeno natural geográficamente distribuido y
tienen cierto grado de correlación. (Trangmar et al., 1985; Upchurch y Edmonds, 1991; Viloria,
1991; Hengl et al., 2007).

Para analizar la estructura espacial se utiliza la función de semivarianza, la cual es una medida
de la similitud entre observaciones a una distancia determinada. Los semivariogramas
proporcionan información sobre los cambios con la distancia en el patrón espacial de cada
variable y el rango espacial puede utilizarse para planificar futuros muestreos de suelos que
requieran independencia entre unidades experimentales. Estos semivariogramas son
herramientas geoestadísticas utilizadas para describir la autocorrelación existente entre
variables ambientales (Oliver y Webster, 1986; Hamlett, 1986; Fernández y Elizalde, 1995;
Grunwald et al., 2007).
 3

Los semivariogramas experimentales se pueden calcular utilizando la siguiente ecuación

(Webster, 1985; Ovalles, 1992; Mueller et al., 2004):

J(h) = ½N 6 [Z(x) – Z(x+h)]2 (1)

donde J(h) es la semivarianza, N corresponde al número de pares de observaciones comparadas
en cada distancia, Z(x) es el valor de la propiedad Z en el lugar x y Z (x+h) es el valor de la
propiedad Z a una distancia h del lugar x.

El gráfico de la semivarianza contra la distancia es conocido como semivariograma, el cual

contiene toda la información referente a la variable regionalizada. 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 variables están autocorrelacionados. La distancia a la
cual se estabiliza la semivarianza se llama alcance, amplitud o rango de dependencia espacial
(Ovalles, 1992; Ovalles y Nuñez, 1994; Mueller et al., 2004). Este rango es la distancia dentro
de la cual existe dependencia espacial (Burrough, 1986; Grunwald et al., 2007). Si las variables
evaluadas se distribuyen al azar los valores del semivariograma no se ven afectados por la
distancia.

Los valores del semivariograma se utilizan para estimar valores en los sitios no muestreados.
La interpolación por kriging predice cada valor de la variable interpolada como un promedio
ponderado de los puntos de muestreo vecinos y produce la mejor estimación 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
variograma (Viloria, 2006).

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 Producción con Rumiantes de la Universidad Rómulo
Gallegos (CPR-UNERG), Sector El Castrero de San Juan de los Morros, Estado Guárico. El
propósito fundamental de esta investigación allí fue el de analizar el comportamiento espacial
de los atributos relacionados con la fertilidad de los suelos y generar información básica para el
desarrollo de ensayos y pruebas experimentales que permitan una mejor interpretación de los
 4

resultados de los diferentes tratamientos relacionados con especies de alto valor alimenticio
para la producción 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 sustentable de los
suelos.

MATERIALES Y MÉTODOS
Área de Estudio.
La zona donde se llevo a cabo el estudio se encuentra ubicada en el CPR-UNERG, Sector El
Castrero de San Juan de los Morros, Municipio Juan Germán Roscio del Estado Guárico
(Figura 1). Los suelos en esta área, perteneciente a la Formación Santa Isabel (geológicamente
hablando), son de escaso desarrollo pedogenético (Gran Grupo Haplustepts) y se encuentran
enmarcados dentro de un valle coluvial dominado por colinas y montañas. La vegetación
predominante corresponde a pasto yaraguá (Hyparrhenia rufa), mastranto (Mentha suaveolens)
y, en menor proporción, algunas especies arbóreas dispersas de Chaparro (Curatella
americana) y samán (Pithecellobium saman); principalmente.
Venezuela Estado Guárico

San Juan de los Morros CPR-UINERG

Sector El Castrero

Figura 1. Ubicación relativa del Centro de Producción con Rumiantes de la Universidad Rómulo
Gallegos.
 5

Muestreo de Suelos.
Para el estudio de la variabilidad de los suelos (horizontes superficiales) se realizó un muestreo
sistemático 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 georeferenciado mediante
un sistema de posicionamiento 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 horizonte B (EB), infiriéndose la profundidad al horizonte C (PC) como EA + EB.

A las muestras superficiales, después de secadas al aire, trituradas y tamizadas (< 2 mm), se les
realizó un diagnóstico con fines de fertilidad utilizando para ello las metodologías del
Laboratorio de Análisis 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 materia orgánica (MO), pH, conductividad eléctrica
(CE) y elementos disponibles: fósforo (P), potasio (K), calcio (Ca) y magnesio (Mg).

Posteriormente, para la validación de los modelos teóricos de mayor representatividad se

realizó un segundo muestreo aplicando un método aleatorio simple, donde todos los sitios o
puntos de verificación tienen la misma probabilidad de ser seleccionados. 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).

Análisis Estadístico

Las muestras se sometieron a un análisis exploratorio de los datos (AED), con apoyo del
programa Statistical Product and Service Solutions (SPSS) [2001], para calcular parámetros
estadísticos básicos como media, mediana, varianza, coeficiente de variación y valores
máximos y mínimos. Para determinar 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
metodología de cercas externas e internas de Tukey (Rey y Ovalles, 2000). Por otra parte,
también se utilizaron histogramas y pruebas de normalidad para evaluar la distribución de los
datos. Un análisis de componentes principales (ACP) permitió determinar las variables edáficas
que sintetizan la información y explican los cambios que ocurren en la zona de estudio.
 6

(m)

(m)

Figura 2. Distribución de los puntos del muestreo sistemático y de los sitios de verificación
correspondientes al CPR-UNERG.

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 incremental de la distancia fue 20 m. Utilizando el programa VESPER
(Variogram Estimation and Spatial Prediction plus ERror) del Centro Australiano de
Agricultura de Precisión (Minasny et al., 2002), los semivariogramas se ajustaron a modelos
teóricos conocidos (lineal, lineal con umbral, esférico, exponencial) por el método de los
mínimos cuadrados ponderados.

Con la información derivada de los semivariogramas ajustados, se estimaron valores en sitios

no muestreados utilizando el método de interpolación por kriging puntual (Govaerts, 1998;
Hengl et al., 2004; Pérez-Rodríguez et al., 2007;); generándose entonces diagramas de las
estimaciones y de los errores asociados a la estimación. Además, para corroborar el patrón de
variabilidad sistemática, las variables evaluadas se representaron tridimensionalmente en
gráficas 3D utilizando el programa SURFER (Golden Software, 1999).
 7

Validación

El proceso de validación se realizó evaluando los estimados de los datos obtenidos por el
interpolador lineal y los datos de validación a través del cálculo del error cuadrático medio
(ECM) (McBratney et al, 1991; Rey y Ovalles, 2000; Hengl et al., 2004; Rivero et al., 2007).
Para ello se utilizó la siguiente ecuación:

ECM = ™ [z(xi) - z(xj)]2 / n (2)

donde z(xi) es el valor de la variable Z medido en el sitio xi (valor real), z(xj) es el valor
predicho en el mismo sitio (valor estimado), y n es el número total de sitios de validación.

Debido a que en estos casos se trata de una población finita, para la obtención del número de
muestras necesarias para la validación (n) se utilizó la siguiente fórmula:

n = NV2/ [(N-1) D+V2)] (3)

donde D = L/4; L = 1,96 V/N; N es el tamaño de la población, V2 es la varianza estimada, L es

la tolerancia máxima del error de estimación, y 1,96 es el equivalente al nivel de confianza (95
%).

RESULTADOS Y DISCUSIÓN

Análisis Estadístico

El análisis exploratorio de los datos procedentes del muestreo sistemático indican que, en
general, los suelos presentan un mediano EA, texturas comprendidas entre francas (F), franco-
arenosas (Fa) y franco-arcillo arenosas (FAa) y una moderada fertilidad reflejada por los altos
contenidos de Ca, Mg y K que se presentan conjuntamente con cantidades medias de MO y
bajos niveles de P. No presentan problemas de salinidad (Cuadro 1).

Los resultados del análisis estadístico univariado para los atributos de la zona estudiada indican
que las mayores variaciones (superiores al 50%) las presentan las variables físicas; donde
destacan %EG, EB y PC, con coeficientes de variación (CV) de 77, 75 y 55 %, respectivamente.
Sin embargo, el P, una variable química, también posee un alto CV (66 %). No obstante, el
resto de los atributos estudiados, tanto físicos como químicos, tienen un CV inferior al 50 % lo
 8

Cuadro 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
-1
P (mg kg ) 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

Cuadro 2. Pruebas de normalidad

Kolmogorov-Smirnov (K-S)
Atributo
Estadístico K-S gl D
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
-1
CE (dS m ) 0,12 60 0,02
%MO 0,24 60 0,00
P (mg kg-1) 0,29 60 0,00
-1
K (mg kg ) 0,13 60 0,02
Ca (mg kg-1) 0,13 60 0,01
-1
Mg (mg kg ) 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 crítico D < 0,05: se rechaza la hipótesis de normalidad
gl = grados de libertad
 9

cual, en general, indica una baja variación. Los menores CV lo presentan las variables
químicas, destacándose en orden decreciente los atributos 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.

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 distantes de cero
(0) en el Cuadro 1. Sin embargo, los atributos Mg, %A, %L y %a parecen cumplir con el
supuesto de normalidad de acuerdo a los resultados de la prueba de Kolmogorov-Smirnov
(Cuadro 2). No obstante, estos resultados se encuentran en el límite inferior de la significación
verdadera por lo que se realizaron 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 internas de Tukey (Rey y Ovalles, 2000), se encontraron 2 y 3 valores atípicos para los
atributos de %MO y P; respectivamente (Cuadro 3). Esto también concuerda con los
relativamente elevados índices de curtosis que se observaron para los referidos atributos
(Cuadro 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 estudiados, encontrándose los mayores coeficientes para los pares: %A-K, %A-EA;
CE-EB, K-EA, K-%a, Mg-pH y %MO-K; tal como se señala en el Cuadro 4. Por otra parte, el
análisis de componentes principales (Cuadro 5) indicó que los atributos EA, %A, K, P, Ca,
pH, Mg y %EG son los más importante s en la zona estudiada, ya que, dichos atributos son
 10

Cuadro 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

CIi: Cerca Interna inferior CEs: Cerca Externa superior

CIs: Cerca Interna superior CEi: Cerca Externa inferior

Cuadro 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-1) 0,41* 0,10 0,29* 0,30* 0,02 0,01 -0,03 -0,28 -0,05 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

*Las correlaciones son significativas al nivel 0,05

 11

capaces de explicar el 79 % de la variabilidad presente en el sector. Los primeros tres

componentes (EA, %A, K, EB, EC) absorben la mayor cantidad de variabilidad posible del
conjunto de datos edáficos seleccionados en la zona de estudio (52,7 %) y los componentes
restantes absorben el resto (pH, P, %EG) [Cuadro 6].

Cuadro 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

Cuadro 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.
Método de rotación: Normalización Varimax con Kaiser.
 12

Relación entre la Media y la Varianza por Columnas y Filas

La mayoría de los atributos presentan tendencias generales tanto en las filas (X) como en las
columnas (Y), ya que a mayor incremento de la media (µ) ocurren mayores valores de varianza
(S2) pero son más evidentes en las filas (eje N-S de la cuadrícula), indicando que la S2 no es
independiente de la µ. Los únicos atributos que no presentan tendencias en las filas y en las
columnas son pH, K y %a. En general, las tendencias generales son más claras en la dirección
de las filas (N-S) y el atributo EG es el que presenta la correlación más fuerte y más evidente en
ambas direcciones, indicando la ausencia de estacionaridad de la varianza.

Relación entre la Media y la Posición (Media General - Medias Locales).

En el orden de las columnas se destacan tendencias locales, ya que ocurren cambios

importantes a la distancia de 70-80 m para las variables Esp. B, Prof. C, MO, CE, K %A y Ca;
en el orden de las filas son claras las tendencias locales en los atributos Esp. A, Esp. B, %A,
MO, K y %L, con cambios evidentes entre distancias de 70 y 90 m, con respecto a la media
general. Este patrón de distribución se debe posiblemente a los procesos de erosión y
acumulación que ocurren en la dirección de la pendiente del terreno, la cual sigue el sentido
SO-NE.

Las evaluaciones de los aspectos anteriores indican que existen tendencias entre la media y la
varianza y tampoco hay distribución uniforme de las medias locales, lo cual sugiere una
ausencia de estacionaridad que posiblemente puede dificultar el análisis geoestadístico. Sin
embargo, Yost et al., (1982 a, b) y Burrough (1993), sugieren que la ausencia de estacionaridad
en los datos no afecta sensiblemente el análisis de la semivarianza.

Análisis Geoestadístico

Para cada atributo considerado en este estudio, los parámetros geoestadísticos más importantes
que se derivaron del ajuste de los semivariogramas a diferentes modelos teóricos, por el método
de los mínimos cuadrados ponderados, se encuentran expresados en el Cuadro 7. Se asumió la
condición de isotropía, debido a que el número de datos es menor de 100 (Moral, 2004; Obando
et al., 2006).
 13

Cuadro 7. Parámetros geoestadísticos de los semivariogramas compuestos, para los atributos

estudiados, obtenidos 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
P (mg kg-1) Esférico 29 5,00 23 28 17,7
K (mg kg-1) Esférico 56 13979 6046 20025 69,8
Ca (mg kg-1) Lineal con Umbral 40 1316 7033 8349 15,8
Mg (mg kg-1) 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

*NR: Nugget relativo = (Nugget/Umbral) x100

En los semivariogramas de los atributos EA, EB, PC, P, K, Ca, Mg, %A, %a y %EG se encontró
siempre 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 (Cuadro 7); con un promedio de unos 40 m. En estos
casos, el componente aleatorio o efecto nugget relativo (NR) osciló entre 8 y 82 % (Cuadro 7)
indicando para estos atributos un amplio espectro de variación que abarcó débiles (NR = 83 %;
%a), moderadas (NR entre 27-70 %; EB, PC, K, Mg, %A y %EG) y fuertes dependencias
espaciales (NR < 18 %; EA, P y Ca). Por otra parte, atributos como pH, CE, %MO y %L solo
se ajustaron a un modelo lineal, ya que presentaron 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
 14

de estos comportamientos en los semivariogramas se encuentran, respectivamente, en las

figuras 3a, 3b, 3c y 3d.

a) EA b) %EG

Semivarianza
Semivarianza

Distancia (m) Distancia (m)

c) % A d) %MO
Semivarianza

Semivarianza

Distancia (m) Distancia (m)

Figura 3. Semivariogramas de atributos seleccionados: a) EA: fuerte dependencia espacial, b) %EG y

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

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 utilizando el proceso de interpolación por kriging puntual. Esto permite
representar de manera gráfica y tridimensional la variabilidad espacial de cada atributo.

En la Figura 4a se presenta el diagrama de interpolación mediante kriging puntual para el

atributo con mayor dependencia espacial (EA) encontrado en este estudio. La variación máxima
 15

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 4a). El diagrama de errores (Figura 4b) 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 atributos 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 5) y su respectiva

representación en un diagrama tridimensional (Figura 6). La finalidad de ambos diagramas es
visualizar, en conjunto, el patrón de variabilidad 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 el establecimiento de parcelas experimentales de acuerdo con las condiciones
del terreno.

Con relación a lo primero, los muestreos deberían ejecutarse e intensificarse en aquellos

sectores donde son mayores los errores de estimación. Por otra parte, con relación a la
ubicación de las parcelas experimentales, las unidades experimentales deben ubicarse 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 usarse 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) [Cuadro 4], también porque dicha variable
ejerce un mayor efecto limitante en los suelos, se encuentra correlacionada con las contenidos
 16

de los elementos Ca y K, y además, dicha variable estuvo entre los 5 atributos que explican el
79 % de la variabilidad en la zona estudiada.

a) b)

Figura 4. Diagrama de las estimaciones por kriging para a) EA y b) los errores asociados a las
estimaciones.

140

120 19
18
17
100
16
15

80 14
13
12
60 11
10
9
40
8
7

20 6
5

0
0 20 40 60 80 100 120 140

Figura 5. Mapa de isolineas del atributo espesor del horizonte A indicando la orientación de la
pendiente (SO-NE).
 17

18

. 17

16

15

14

13

12

11

10

Figura 6. Diagrama de interpolación por kriging del espesor del horizonte A.

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 atributo 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
embargo, para el proceso de validación se consideraron 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, también son fáciles de determinar en un
tiempo prudencial, tales como EA y %A.

En el Cuadro 8 se señalan los resultados de los datos medidos en campo y laboratorio para las
variables seleccionadas. Los resultados indican que para la variable que presenta mayor
 18

varianza aleatoria (EA) presenta un valor de ECM menor a la unidad, lo cual significa que el la
capacidad de estimación del interpolador utilizado es de alto grado de certeza para la zona de
estudio. Sin embargo, en el caso de la variable de moderada dependencia espacial (%A) el
resultado del ECM no es tan promisorio, ya que existen sitios muestreados con altas diferencias
entre los valores estimados y los valores experimentales.

Cuadro 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

Para el resto de los atributos derivados del análisis mecánico, tales como %L y %a, no se
consideró necesaria la realización de los cálculos de ECM, debido 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.

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
 19

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 importancia fundamental en la fertilidad y/o en la
posible explicación sobre el origen de los procesos deposicionales que actualmente caracterizan
el suelo.

El análisis geoestadístico también permitió determinar que los patrones de mayor variación
están relacionados con los procesos de erosión y acumulación que ocurren en la dirección de la
pendiente del terreno en el sentido SO-NE. Por tanto, no es de extrañar que la menor varianza
aleatoria 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 utilizar para el proceso de validación de los

datos interpolados, 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 influye en los resultados experimentales aumentando los errores. En
el presente caso es preferible utilizar un muestreo estratificado.

Para el establecimiento de parcelas experimentales 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 estimaciones de menor confiabilidad. De igual manera la orientación de las parcelas
deben corresponderse con el sentido perpendicular 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 fertilidad 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 variabilidad presente en la zona
estudiada. Asimismo, la superficie para una muestra compuesta que garantice la homogeneidad
de la estructura interna de las parcelas experimentales no debe ser superior a 0,40 ha para así
permitir la representatividad de la misma.

De acuerdo con estos aspectos, se podrían obtener explicaciones más adecuadas entre las
relaciones suelo-planta-clima-animal y se afinarían las recomendaciones con fines de fertilidad
 20

para las evaluaciones de plantas forrajeras y las diferentes alternativas a utilizar para
complementar la alimentación animal de rumiantes (ovinos y caprinos) en el Centro de
Producción.

BIBLIOGRAFÍA
Burrough, P. 1986. Principles of geographical information systems land resources assessment.
Clarendon Press Oxford.
Burrough, P. 1993. Soil variability: a late 20th century view. Soils and Fertilizers, 56 (5): 529-
562.
Fernández, L. y G. Elizalde. 1995. Variabilidad espacial de la erosión por salpique en suelos
de la Cuenca Alta del Río Petaquire. Venesuelos 4(1-2):2-8.
Golden Software. 1999. Surfer. Surface Mapping System. Golden Software Inc. Golden,
Colorado. Version 7.00
Goovaerts, P. 1998. Geostatistical tools for characterizing the spatial variability of
microbiological and phisico-chemical soil properties. Biol Fert Soils 27:315-34.
Grunwald, S.; R.L. Rivero y K. Ramesh. 2007. Understanding spatial variability and its
application to biogeochemistry analysis. In: D. Sarkar, R. Datta and R. Hannigan (Ed.).
Developments in Environmental Science, 5:443-463. Elsevier Ltd. ISSN: 1474-8177
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.
Hengl, T., G. Heuvelink Y A. Stein. 2003. A generic framework for spatial prediction of soil
variables based on regression-kriging. Geoderma, 120: 75-93
Hengl, T; N. Toomanian ; H.I. Reuter y M.J. Malakouti. 2007. Methods to interpolate soil
categorical variables from profile observations: Lessons from Iran. Geoderma 140: 417-
427.
Minasny, B., A.B. Mcbratney y M. Whelan. 2002. VESPER. Version 1.6. Australian Centre for
Precision Agriculture. McMilan Building. The University of Sidney, NSW 2006.
Moral, F.J. 2004. Aplicación de la geoestadística en las ciencias ambientales. Ecosistemas. 13:1.
[En línea]: http://www.aeet.org/ecosistemas/041/documentos/Revision3.htm.
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.
Obando, M.; H. Franco; H. Villegas; A. Mauricio, 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.
Ovalles F. y M. Núñez. 1994. Métodos estadísticos para evaluar la variabilidad de suelos
dentro de unidades de capacidad de uso en la Depresión del Lago de Valencia.
Agronomía Trop. 44(1):23-40.
 21

Ovalles, F. 1992. Metodología para determinar la superficie representada por muestras

tomadas con fines de fertilidad. FONAIAP-CENIAP-IIAG. Maracay. Serie B. 44 p.
Pérez-Rodríguez, R., M.J. Marques y R. Bienes. 2007. Spatial variability of the soil erodibility
parameters and their relation with the soil map at subgroup level. Science of the Total
Environment 378 (2007) 166–173.
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).
Rey, J.C. y F. Ovalles. 2000. Efecto de Técnicas exploratorias de los datos en estimaciones
Kriging de propiedades del suelo. Agronomía Trop. 51(1): 81-106.
Rivero, R.G.; S. Grunwald y G.L. Bruland. 2007. Incorporation of spectral data into
multivariate geostatistical models to map soil phosphorus variability in a Florida wetland.
Geoderma 140: 428-443.
SPSS (Statistical Product and Service Solutions). 2001. SPSS Para Windows. Version 11.0.1.
Standard version.
Trangmar, B.; R. Yost y G. Uehara. 1985. Applications of geostatistics to spatial studies of soil
properties. Advances in Agronomy. 38: 45-94.
Upchurch, D. y W.J. Edmonds. 1992. Statistical procedures for specific objectives. In: Spatial
variabilities of soils and landforms. SSSA Special publication No. 28. 2ª Ed. SSSA.
Madison. pp: 49-71.
Viloria, J. 1991. Interrelación entre sistemas de información de suelo y levantamiento de
suelos: Optimización de los procedimientos de adquisición de datos. Trabajo de Ascenso
(Profesor Agregado). Facultad de Agronomía, Universidad Central de Venezuela.
Maracay. 191 p.
Viloria, J. 2006. Predicción Espacial de Propiedades del Suelo por medio de Modelos
Discretos y Modelos Continuos de Variación. Trabajo de Ascenso (Titular). Maracay,
Venezuela; Facultad de Agronomía, Universidad Central de Venezuela. 109 p.
Webster, R. 1985. Quantitative spatial analysis of soil in the field. Advances in Soil Science,
vol. 3. New York. 70 p.
Webster, R. y M.A. Oliver. 1992. Sample adequately to variograms of soil properties. J. Soil
Sci. 43:177-192.
Yost, R. S.; G. Uehara y R. L. Fox. 1982a. Geostatistical analysis of soil chemical properties of
large land areas. I. Semi-variograms. Soil Sci. Soc. Am. J. 46: 1028-1032.
Yost, R. S.; G. Uehara y R. L. Fox. 1982b. Geostatistical analysis of soil chemical properties of
large land areas. II. Kriging. Soil Sci. Soc. Am. J. 46: 1033-1037.