Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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
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 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).
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
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).
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
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:
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:
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
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.
Cuadro 3. Valores límites de los datos derivados del muestreo sistemático en los suelos del
Centro de Producción con Rumiantes - UNERG.
Cuadro 4. Matriz de correlación de atributos en los suelos del Centro de Producción con
Rumiantes - UNERG.
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.
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
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
a) EA b) %EG
Semivarianza
Semivarianza
c) % A d) %MO
Semivarianza
Semivarianza
Interpolaciones (Kriging)
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.
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.
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
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.
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.
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