Multivariate spatial variability in soil variables at fine scale and its relationship to grain yield

• Córdoba, Mariano Augusto ^[2] ; Bruno, Cecilia ^[2] ; Costa, José Luis ^[1] ; Balzarini, Mónica ^[2]
  1. [1] Instituto Nacional de Tecnología Agropecuaria

     Instituto Nacional de Tecnología Agropecuaria

     Argentina

     
  2. [2] Cátedra de Estadística y Biometría, Universidad Nacional de Córdoba/Consejo Nacional de Investigaciones Científicas y Técnicas
• Localización: Revista de Investigaciones Agropecuarias, ISSN 0325-8718, ISSN-e 1669-2314, Vol. 42, Nº. 1, 2016
• Idioma: inglés
• Títulos paralelos:
  • Variabilidad espacial multivariada en variables de suelo a escala de lote y su relación con rendimientos
• Enlaces
  • Texto completo
• Resumen
  • español

    El manejo sitio-específico dentro del lote requiere delimitar zonas de manejo (ZM). Múltiples variables, tales como propiedades del suelo, pueden ser son usadas para la zonificación. El análisis de cluster fuzzy k-means (CFK) es utilizado para la delimitación de ZM. CFK suele aplicarse sobre las variables originales o sobre las componentes principales (CP) derivadas del análisis de componentes principales (PCA). Sin embrago, este análisis no considera la presencia de correlaciones espaciales. Por ello, proponemos el uso de método MULTISPATI-PCA, una nueva forma de PCA que contempla la información espacial previo a la conformación de las CP. MULTISPATI-PCA también es usado en análisis de correlaciones canónicas (ACC) para cuantificar la magnitud de la relación lineal entre variables de suelo y rendimientos. En este trabajo evaluamos la capacidad de cinco procedimientos multivariados para delimitar ZM: CFK sobre variables de suelo originales (CFK-VS), CFK sobre componentes principales del PCA (CFK-CP), CFK sobre CP espaciales (CPe) producidas por MULTISPATI-PCA (CFK-CPe) sobre las mismas variables de suelo y partición basada en percentiles de variables canónicas del ACC que correlacionan rendimientos con CP de variables de suelo (ACC-CP) y con las respectivas CPe (ACC-CPe). Se compararon las diferencias de rendimientos entre las ZM delimitadas por cada método. Se trabajó con datos de conductividad eléctrica aparente en dos profundidades 0-30 cm y 0-90 cm, elevación, profundidad de tosca y rendimientos de soja y trigo. El análisis de conglomerados sobre las componentes principales espaciales, derivadas de MULTISPATI-PCA,  fue el mejor procedimiento ya que delimitó ZM con diferencias significativas y más altas de rendimiento entre las zonas. 

  • English

    Site-specific management requires delineation of management zones (MZ) within the field. Several variables, such as soil properties, are used for zonification. Fuzzy k-means cluster analysis (FKC) is here used to delimit MZ. FKC is applied to original variables and to synthetic variables obtained with regular principal component analysis (PCA). The analysis does not consider the presence of spatial correlations, which is common in soil and yield variables. We propose to use, MULTISPATI-PCA as an extension of PCA that considers spatial information before calculating the principal component (PC). MULTISPATI-PCA is also used in a canonical correlation analysis (CCA) to quantify the magnitude of the linear relationship between crop yields and soil variables.   In this paper, we simultaneously evaluate the capacity of five multivariate procedures to delineate MZ: FKC on soil variables (FKC-SV), FKC on principal components of the PCA (FKC-PC), FKC on spatial PC (sPC) produced by MULTISPATI-PCA (FKC-sPC) and percentiles based partitioning from canonical variables of the ACC that correlate yields with PC of soil variables (CCA-PC) and canonical variables elaborated from sPC (CCA-sPC). Yield differences between the MZs delineated by each method were compared. We worked with apparent electrical conductivity data in two depths 0-30 cm and 0-90 cm, elevation, hardpan depth and soybean and wheat yields. FKC-sPC method was the best procedure to delineate MZs with significant and higher yield differences among zones.