MAPEO DE SUELOS POR MEDIO DE LÓGICA BORROSA Y SU RELACIÓN CON

EL RENDIMIENTO DE BANANO (Musa AAA)

Autores: Resumen

1 1 Los suelos presentan una variación en el espacio y tiempo que afecta la

Rey, Juan C.
2
.; G. Martínez
3
; E. Micale2; N. respuesta de los cultivos. El objetivo de este trabajo fue obtener un mapa de
Fernández ; E. Namias ; M. A. Polanco; A. suelos de Agropecuaria Punta Larga a partir de un muestreo con fines de
Valera4 fertilidad y la aplicación de técnicas estadísticas, geoestadísticas y lógica
neuro-borrosa. El mapa de suelos generado presenta 9 clases, donde los lotes
1
Instituto Nacional de Investigaciones Agrícolas de mayor rendimiento de banano, están ubicados en suelos con horizontes A
2
(INIA); Agropecuaria Punta Larga; mayores a 25 cm, texturas Franco limosas, con altos contenidos de MO, K y
3
Universidad Central de Venezuela; Mg. En este sentido, el mapa de suelos puede constituirse en una herramienta
4 para el desarrollo de una agricultura de precisión en la finca, a través de la
Universidad Nacional Experimental Rómulo definición de áreas de manejo por sitio específico acordes con las
Gallegos. jcreyb@hotmail.com características de los suelos y la respuesta del cultivo.

Introducción

El manejo agronómico a nivel de finca usualmente es uniforme. Sin

embargo, los suelos presentan una variación en el espacio y tiempo que
afecta la respuesta de los cultivos; por lo que, se hace necesario un manejo
específico por sitio. La agricultura de precisión (AP) es un sistema que se
basa en la integración de la información y la producción. Está diseñado para
sitios específicos y la unidad completa de producción, a objeto de
incrementar en el largo plazo, la eficiencia, productividad y margen de
ganancia, minimizando los indeseados impactos sobre el ambiente (US
Farm Bill,1996; citado por Ovalles, 2006).

La estimación de la variabilidad edáfica parte de un muestreo y su

representación puede realizarse mediante la cartografía digital de suelos,
basada en modelos de estimación espacial de atributos a través de métodos
estadísticos multivariados, geoestadística, y más recientemente la redes
neuronales artificiales (RNA) y la lógica borrosa o difusa (LB) (Valera,
2015).

El objetivo de este estudio fue generar un mapa de clases de suelo para una
finca, a partir de un muestreo con fines de fertilidad y establecer su relación
con el rendimiento de lotes de banano (Musa AAA), como paso inicial a la
implementación de una Agricultura de precisión.

Materiales y Métodos

El estudio se llevó a cabo en Agropecuaria Punta Larga (APL), una finca de

Palabras claves: Cartografía digital de suelo, Agricultura de
precisión, relación suelo-cultivo
425 ha ubicada en el municipio Libertador del estado Aragua. La finca posee
180 ha cultivadas con banano (Musa AAA); el resto, está dedicado
mayoritariamente a pasto bermuda (Cynodon dactylon) y lima persa (Citrus
latifolia Tan.). El Clima se caracteriza por una precipitación promedio anual
entre 900 y 1100 mm y una evaporación promedio anual entre 1800 y 2200
mm. Las lluvias son estacionales con 5 a 6 meses húmedos ubicados entre los

25
meses de mayo-junio y octubre-noviembre. Los
suelos en su gran mayoría son lacustrinos, con
texturas medias, alta disponibilidad de nutrimentos,
altos pH y con condiciones salinas en forma
localizada.
Se realizó un muestreo sistematico, con una
distancia aproximada de 150 m, comprendien-
Figura 1. Diseño de muestreo en APL
Los resultados del muestreo fueron sometidos a
análisis univariado para su caracterización general y
determinación de valores anómalos (Tukey, 1977);
análisis geoestadístico e interpolación por kriging
para la estimación de cada una de las variables en
sitios no muestreados (Trangmar et al.,1985;
Webster y Oliver, 1990); análisis conjunto de
clasificación borrosa y redes neuronales para la
definición de las clases de suelo, por medio de la red
de agrupamiento borroso de Kohonen – FKCN
(Fuzzy Kohonen Clustering Network) (Zadeh, 1965;
Morales y Viloria, 2006; Valera, 2015) y análisis de
componentes principales (Rencher, 1998; Johnson,
2000), para establecer la relación de las clases de
suelo y el rendimiento del cultivo de banano en APL.
Resultados y Discusión
Los resultados del análisis univariado indicaron una
alta variabilidad de las propiedades de suelo
evaluadas en APL, presentando coeficientes de
variación entre 3 y 190% (Cuadro 1), lo cual
confirma la importancia de conocer la distribución
do 90 puntos, donde se determinó la profundi-
dad de los dos primeros horizontes, la granulo-
metría (contenidos de arena, limo y arcilla), el
contenido de nutrimentos (fósforo, potasio,
calcio, sodio, magnesio, cobre, zinc, mangane-
so y hierro), el contenido
de materia orgánica, la reacción del suelo (pH)
y la conductividad eléctrica (Fig. 1).
espacial de las condiciones edáficas para el manejo
agronómico de la finca. Así mismo, se determinaron
los valores anómalos y fueron eliminados para los
subsiguientes análisis.
Una vez depurados los datos, se procedió al análisis
geoestadístico mediante la obtención de los
semivariogramas experimentales, su ajuste a
modelos teóricos y la obtención de los mapas por
variable mediante la interpolación por kriging (Fig.
2). Los rangos de dependencia espacial de las
propiedades de suelo fluctuaron entre 400 y 1950 m;
mientras que la varianza aleatoria varió entre 17 y
91%. Se obtuvieron mapas para cada una de las
variables en los dos primeros horizontes para un total
de 34 mapas. La interpretación de esta data de
manera conjunta y su comparación con los
rendimientos de banano es muy difícil, por lo tanto
se procedió a obtener un mapa de clases de suelos
utilizando el algoritmo neuro-borroso FKCN
(Morales y Viloria, 2006; Namias, 2015; Valera,
2015).
26
Cuadro 1. Análisis univariado de los atributos de suelo evaluados en Agropecuaria Punta Larga (APL).

HORIZONTE 1 HORIZONTE 2
Variable Media D.E. CV (%) Media D.E. CV (%)
ESP 25.67 5.37 20.93 21.94 6.6 30.06
ARC 18.12 7.57 41.77 18.71 8.16 43.63
LIM 68.18 17.16 25.17 66.2 23.37 35.29
ARE 13.7 14.77 107.82 15.09 22.01 145.89
P 58.96 113.19 191.97 15.19 37.08 244.2
pH 7.85 0.24 3.06 7.95 0.29 3.63
CE 0.98 1.1 112.31 1 1.06 105.53
MO 4.15 1.93 46.61 2.56 1.48 57.83
K 82.78 97.75 118.08 48.3 60.78 125.83
Ca 9722.04 3180.44 32.71 9964.44 3151.04 31.62
Na 234.31 200.77 85.69 231.74 192.89 83.23
Mg 295.2 35.43 12 290.22 35.93 12.38
Cu 1.44 1.15 79.68 1.47 1.01 68.79
Mn 22.64 42.91 189.49 25.92 36.83 142.1
Fe 6.37 6.16 96.64 6.61 5.27 79.85
Zn 4.34 3.35 77.16 4.82 3.59 74.49
S 17.47 11.74 67.19 19.41 12.05 62.06
D.E.: Desviación Estándar; CV: Coeficiente de Variación; ESP: Espesor de horizonte (cm); ARC: arcilla (%); LIM: Limo (%); ARE:
Arena (%); P: fósforo (mg/kg); pH: reacción del suelo; CE: conductividad eléctrica (ds/m); MO: materia orgánica (%); K: potasio
(mg/kg); Ca: calcio (mg/kg); Mn: manganeso (mg/kg); Fe: hierro (mg/kg); Zn: zinc (mg/kg): S: azufre (mg/kg).

a) b)

Figura 2. Semivariograma experimental y ajustado (a) y mapa de distribución espacial de % de arcilla del
horizonte 1 de APL

Para la realización del análisis neuroborroso se
calculó el índice de eficiencia borrosidad para
diferentes combinaciones de exponente borroso
(1.1–1.9) y número de clases (3–15). La selección
del exponente borroso y número de clases más
adecuado para mapear los suelos de APL, se realizó
con la curva que inició con un Índice de Eficiencia
de borrosidad (FPI) próximo a 0,5. La curva de
exponente borroso 1,3 fue la más indicada; en ella se
puede ver un punto de inflexión donde el FPI es más
bajo, indicando que el número más adecuado de
clases de suelo es 9.

27
 Figura 3. Relación entre índice de Borrosidad y Número de Clases

Para cada una de las 9 clases de suelo se obtuvieron
los centroides de todas las propiedades evaluadas,
con la finalidad de caracterizarlas y establecer su
relación con el rendimiento de los lotes de banano
en los últimos 5 años de APL (Cuadro 2).
Debido al gran número de propiedades de suelo
involucradas, se utilizó un Análisis de Componentes
Principales (Rencher, 1998; Johnson, 2000), para
visualizar las similitudes y diferencias entre las clases
de suelo. Los dos primeros componentes abarcaron
casi un 70% de la variación total. Considerando los
rangos de variación de las propiedades de suelo
evaluadas en APL (Cuadro 1), se puede apreciar que
en la clase 7 se encuentran los suelos de mayor
espesor de horizonte A, con mayores contenidos de
Limo, MO, K y Mg. Los suelos de las clases 2, 4 y 9
presentan los mayores contenidos de arcilla, sales,
Na y Cu; los suelos de las clases 1 y 3 son los más
arenosos, con mayor contenido de P, Fe, Mn y de más
altos pH; los suelos de la clase 5 presentan altos
contenidos de K; y los suelos de las clases 6 y 8
mostraron niveles intermedios para todas las
variables bajo estudio.

Cuadro 2. Centroides de cada una de las Clases de Suelo generadas por medio de FKCN para APL.

Variables ARC ARE Ca CE Cu ESP Fe K LIM Mg Mn MO Na P pH S Zn

Clases HORIZONTE 1
1 19.57 26.20 13805.55 0.93 1.75 20.85 16.44 95.77 52.24 261.39 83.30 2.45 292.89 100.14 7.90 16.69 2.04
2 19.87 14.85 7126.39 1.11 2.06 25.13 5.08 64.05 70.62 305.38 29.78 6.01 326.16 30.97 7.87 17.37 4.55
3 17.40 55.77 14143.97 0.59 1.41 19.12 8.45 90.41 20.90 233.49 113.69 1.56 296.01 250.21 8.02 9.84 2.66
4 19.84 13.42 10437.21 2.49 3.36 22.43 10.92 113.25 63.92 300.62 35.09 4.16 269.40 74.10 8.05 10.57 4.04
5 16.45 9.32 6754.44 1.41 1.21 33.48 6.09 132.90 78.39 295.67 26.11 6.45 253.17 24.41 7.96 17.92 5.12
6 13.92 12.75 11063.63 0.66 1.15 27.05 5.86 128.16 79.72 288.10 24.15 3.91 196.11 47.25 7.83 13.47 6.31
7 18.37 7.43 5700.11 0.60 1.89 36.40 2.43 189.33 77.13 319.06 25.62 6.30 96.36 32.57 7.48 14.88 6.18
8 15.85 31.42 6533.51 0.43 3.32 29.34 4.58 115.25 50.90 297.49 55.82 4.65 114.53 202.70 7.73 14.80 5.30
9 27.63 23.11 6844.69 3.55 2.28 26.88 6.32 119.49 46.15 304.92 51.81 6.44 448.03 89.17 8.04 26.84 5.88
HORIZONTE 2
1 10.03 34.38 13904.76 1.45 2.38 25.62 15.36 52.42 46.12 209.27 81.44 1.08 364.11 60.51 8.02 15.53 2.25
2 13.45 19.25 7453.54 1.88 2.66 22.85 7.74 27.75 64.22 268.37 37.35 2.92 453.94 28.65 7.97 23.58 6.87
3 6.37 66.04 13269.70 0.78 1.34 24.89 11.68 48.33 15.22 217.31 154.69 0.83 291.80 173.16 8.07 10.36 3.02
4 24.91 14.56 11199.56 3.16 3.63 31.45 12.24 51.46 60.89 275.22 42.53 1.64 461.67 26.32 8.04 18.27 5.53
5 12.40 8.54 7243.37 2.47 0.89 20.20 8.19 74.97 75.84 272.82 16.86 3.25 328.03 12.44 7.98 20.59 7.34
6 5.42 13.33 11841.15 1.03 1.25 24.41 8.80 79.76 75.87 249.60 39.45 1.98 262.25 34.61 7.98 13.95 9.68
7 19.33 7.16 5988.94 2.02 1.67 25.45 4.85 109.75 72.87 314.63 13.76 3.58 119.68 22.26 7.59 25.31 8.19
8 20.82 45.03 6438.33 1.91 3.23 25.74 8.47 61.05 31.23 211.40 35.46 2.17 145.21 41.20 8.02 21.22 8.55
9 28.74 27.46 7419.18 3.41 2.30 24.86 9.20 50.80 38.61 265.17 43.72 2.44 538.27 17.20 8.05 26.49 7.44
ESP: Espesor de horizonte (cm); ARC: arcilla (%); LIM: Limo (%); ARE: Arena (%); P: fósforo (mg/kg); pH: reacción del suelo; CE: conductividad eléctrica (ds/m); MO:
materia orgánica (%); K: potasio (mg/kg); Ca: calcio (mg/kg); Mn: manganeso (mg/kg); Fe: hierro (mg/kg); Zn: zinc (mg/kg): S: azufre (mg/kg).

28
Figura 4. Ubicación de las clases (a) y relación de las propiedades de suelos con respecto a los componentes principales 1 y 2

En la Fig. 5 se presenta la distribución espacial de
las clases de suelo obtenidas para APL y el
rendimiento promedio de los lotes de banano en los
últimos 5 años (2010 – 2014). Los lotes de mayor
rendimiento se concentran primeramente en la clase
de suelo 7, luego en la clase de suelo 6; que
representan 185 ha aproximadamente, del total de
425 ha. Estas clases presentan suelos, de horizontes
A mayores a 25 cm, texturas Franco limosas, con
altos contenidos de MO, K y Mg, no salinos, con
bajos niveles de sodio y los pH más bajos de la finca
(7.5-7.8). De esta manera, el mapa de suelos puede
orientar la incorporación y desincorporación de
lotes de banano, acorde con los mejores resultados
obtenidos en cuanto a rendimiento y calidad de la
fruta.

a)

b)

Figura 5. Mapa de Clases de Suelo (a) y Rendimiento promedio de lotes de banano entre los años 2010 y 2014 (b) para APL

29
Conclusiones
El mapa de suelos generado presenta 9 clases, donde
los lotes de mayor rendimiento de banano en la finca
APL, están ubicados en suelos con horizontes A
mayores a 25 cm, texturas Franco limosas, con altos
contenidos de MO, K y Mg, no salinos, con bajos
niveles de sodio y los pH más bajos de la finca (7.5-
7.8).
El mapa de clases de suelo puede constituirse en una
herramienta de planificación para la incorporación y
desincorporación de lotes de banano y para el
desarrollo de una agricultura de precisión en la finca,
a través de la definición de áreas de manejo por sitio
específico acordes con las características de los
suelos y la respuesta del cultivo.
Bibliografía
JOHNSON, D. (2000). Métodos multivariados
aplicados al análisis de datos. International
Thompson Editores. México. 566p.
MORALES, A y VILORIA, J. (2006). Aplicabilidad
del enfoque de conjuntos borrosos a la
clasificación de suelos de la depresión del Lago
de Valencia, Venezuela. Interciencia (Caracas),
31 (08): 598-604.
NAMIAS, E. (2015). Variabilidad de las propiedades
químicas de un suelo lacustrino y su relación con
el vigor del banano (Musa AAA). Tesis de
Pregrado. Universidad Central de Venezuela.
Facultad de Agronomía. Maracay, Estado
Aragua, Venezuela. 72p.
OVALLES, V., F.A. (2006). Introducción a la
agricultura de precisión. Revista Digital
CENIAP HOY Nº 12 septiembre-diciembre
2006, Maracay, Aragua, Venezuela. ISSN:
1690-4117 Depósito Legal: pp.200302AR1449
Sitio: www.ceniap.gov.ve
RENCHER, A. (1998). Multivariate statistical
inference and applications.John Wiley & Sons,
INC; Publication. New York. 559 p.
TRANGMAR, B.B; R.S. YOST y G. UEHARA.
(1985). Aplication of geostatistics to spacial
studies of soil properties. Advances in
Agronomy. 38: 45-94.
TUKEY J. (1977). Exploratory data analysis.
Reading, MA, Addison-Wesley Publushing Co.
668p.
VALERA, A. (2015). Inventario de suelos y paisajes
con apoyo de técnicas de cartografía digital en
áreas montañosas. Caso Cuenca del Río
Caramacate, Estado Aragua. Tesis de doctorado
en Ciencias del Suelo. Universidad Central de
Venezuela. Postgrado en Ciencias del Suelo.
Maracay, Estado Aragua, Venezuela. 263p.
WEBSTER, R. y M. A. OLIVER. (2007).
Geostatistics for Environmental Scientists.
Second Edition. Wiley, Chichester.330p.
ZADEH, L. A. (1965). Fuzzy Sets. Information and
Control. 8: 338 - 353.
30