Abril 2016, Argentina 47

Variabilidad espacial de suelo a escala

de lote y su relación con los rendimientos
CÓRDOBA, M.1; BRUNO, C.1; COSTA, J.2; BALZARINI, M.1

RESUMEN
El manejo sitio-específico dentro de un lote requiere delimitar zonas homogéneas. Múltiples variables, tales
como algunas propiedades del suelo, son usadas para la zonificación. El análisis de “cluster fuzzy k-means”
(CFK) es aquí utilizado para la delimitación de zonas. El CFK puede aplicarse sobre las variables originales
o sobre variables sintéticas derivadas del análisis de componentes principales (PCA). Sin embrago, PCA no
considera la presencia de correlaciones espaciales. Por ello, proponemos el uso del método MULTISPATI-PCA,
una nueva forma de PCA que contempla la información espacial. El método también es usado en el análisis
de correlaciones canónicas para cuantificar la magnitud de la relación lineal entre variables de suelo y rendi-
mientos. En este trabajo evaluamos la capacidad de cinco procedimientos multivariados para delimitar zonas
homogéneas dentro de un lote: el análisis CFK sobre variables de suelo originales, CFK sobre componentes
principales del PCA y sobre componentes principales espaciales. Finalmente incluimos particiones de los si-
tios del lote basadas en percentiles de variables canónicas que correlacionan rendimientos con componentes
principales o con componentes principales espaciales, alternativamente. Se compararon las diferencias de
rendimientos entre las zonas 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 fue el mejor procedimiento
para delimitar zonas homogéneas.

Palabras clave: datos espaciales, componentes principales, MULTISPATI-PCA.

ABSTRACT
Site-specific management requires delineation of homogeneous zones within the field. Several variables,
such as some soil properties, are used for zonification. Fuzzy k-means cluster analysis (FKC) is here used
to delimit zones. FKC is applied to original variables and to synthetic variables obtained with regular principal
component analysis (PCA). However, PCA does not consider the presence of spatial correlations. We propose
to use, MULTISPATI-PCA as an extension of PCA that considers spatial information. The method is also used
in a canonical correlation analysis to quantify the magnitude of the linear relationship between crop yields and
soil variables. In this paper, we evaluate the capacity of five multivariate procedures to delineate zones: FKC
on soil variables, FKC on principal components and FKC on spatial principal components. Finally, we include
field-site partitions based on percentiles of canonical variables that correlate yields with principal components
or spatial principal components, alternatively. Yield differences between the delineated zones by each method
were compared. We worked with apparent electrical conductivity data in two depths 0-30 cm and 0-90 cm, el-

1
Cátedra de Estadística y Biometría, FCA-UNC y CONICET, Av. Valparaíso s/n. (5000) Ciudad Universitaria, Córdoba, Argentina.
E-mail: mbalzari@[Link]
2
Estación experimental Balcarce INTA, Ruta 226 Km 73,5 (7620) Balcarce, Buenos Aires, Argentina.

Recibido 21 de noviembre de 2014 // Aceptado 12 de noviembre de 2015 // Publicado online 23 de marzo de 2016

CÓRDOBA, M.1; BRUNO, C.1; COSTA, J.2; BALZARINI, M.1

48 ARTÍCULOS RIA / Vol. 42 / N.º 1

evation, hardpan depth and soybean and wheat yields. Cluster analysis on spatial principal components, was
the best procedure to delineate zones.

Keywords: spatial data, principal components, MULTISPATI-PCA.

INTRODUCCIÓN embargo, estos métodos no tienen en cuenta las correla-

ciones entre datos, debido a la presencia de estructuras
El conocimiento de la variabilidad del rendimiento dentro
de dependencia esperable en datos espaciales. Dray et al.
de lotes en producción agrícola es esencial para el manejo
(2008) proponen una forma de PCA que incorpora la infor-
sitio específico (MSE), uno de los objetivos de la agricultura
mación espacial previa a la conformación de las variables
de precisión (AP). El punto de partida para aplicar este tipo
sintéticas, el método es conocido como MULTISPATI-PCA.
de manejo es delimitar zonas homogéneas dentro de los
La restricción dada por los datos espaciales se incorpora
lotes. Estas subregiones constituyen áreas con caracterís-
mediante el índice de Moran que mide la dependencia o
ticas similares, tales como textura, topografía, estado hídri-
correlación espacial entre las observaciones en un sitio y el
co y niveles de nutrientes del suelo (Moral et al., 2010). Las
promedio de las observaciones en el vecindario de ese si-
propiedades físicas y químicas del suelo y la topografía son
tio. MULTISPATI-PCA ha resultado provechoso en estudios
frecuentemente utilizadas para delimitar zonas de manejo
de suelos realizados a escala macrogeográfica (Arrouays
(ZM). La conductividad eléctrica aparente (CE) a distintas
et al., 2011), pero su aplicación en una escala fina como la
profundidades es una importante variable para delimitar
del lote agrícola es poco conocida.
zonas, ya que su variabilidad es indicador de la distribución
espacial de otras propiedades de suelo (Corwin y Lesch Otra técnica basada en correlaciones entre variables es
2010; Moral et al., 2010; Rodríguez-Pérez et al., 2011). Asi- el análisis de correlaciones canónicas (ACC). El ACC per-
mismo, la elevación del terreno también provee informa- mite cuantificar la magnitud de la relación lineal entre dos
ción para la delimitación de zonas homogéneas, debido a grupos de variables métricas, unas consideradas como va-
que afecta el crecimiento y desarrollo de los cultivos y por riables dependientes y otras como independientes. Dado
tanto es buena indicadora de la variabilidad espacial del que para un mismo clima, los rendimientos están fuerte-
rendimiento. En suelos pampeanos, bajo cultivo de granos, mente determinados por las variables de suelo, se supo-
la profundidad del horizonte petrocálcico –conocido local- ne que las variables canónicas asociadas a la correlación
mente como tosca– es otra variable que puede resultar útil entre datos de rendimientos cosechados en los distintos si-
para la delimitación de ZM. La profundidad de tosca afecta tios de un lote y las variables edáficas de los mismos sitios
la distribución espacial del agua acumulada en el perfil y, podrían suministrar información para la partición de sitios
consecuentemente, determina la variabilidad espacial de en función de su potencial productivo a escala fina. Debido
los rendimientos de los cultivos (Peralta et al., 2011). a que el ACC tampoco tiene en cuenta las correlaciones
atribuidas a estructuras espaciales (uni o multivariadas),
Dado que en cada sitio del lote se recolecta un conjun-
incorporar información espacial también podría realizarse
to de variables y que el rendimiento depende de todas
usando componentes principalmente espaciales para la
estas y sus correlaciones, resulta apropiado analizarlas
construcción de las variables canónicas. En este trabajo
simultáneamente. El método de análisis multivariado más
proponemos usar los componentes principales espacia-
difundido para este fin es el análisis de conglomerados
les obtenidos de un análisis MULTISPATI-PCA sobre las
mediante el cual cada sitio del lote es asignado a un con-
variables edáficas. Las variables sintéticas canónicas del
glomerado o cluster y estos pueden ser usados como ZM
grupo de atributos edáficos –derivadas desde PCA o desde
(Li et al., 2007; Ortega y Santibáñez, 2007; Arno et al.,
MULTISPATI-PCA– son posteriormente usadas para parti-
2011). Un software especialmente desarrollado para la
cionar los sitios y delimitar zonas homogéneas. El objetivo
delimitación de ZM es Management Zone Analyst (MZA)
de este estudio es evaluar el desempeño de esta gama
el cual forma conglomerados con el algoritmo no supervi-
amplia de procedimientos estadísticos propuestos para la
sado fuzzy k-means (CFK) (Fridge et al., 2004).
delimitación de zonas homogéneas en un lote a partir de
El método CFK suele aplicarse usando como inputs datos de suelo georreferenciados.
las variables de suelo medidas originalmente o, alternati-
vamente, combinaciones lineales de estas que tienen en
cuenta las correlaciones esperables entre las variables. MATERIALES Y MÉTODOS
El análisis de componentes principales (PCA) es común-
Datos
mente usado para construir estas combinaciones lineales
o componentes principales (Schepers et al., 2004; Li et Se trabajó con un lote de 65,4 ha en producción de tri-
al., 2007; Xin-Zhong et al., 2009; Moral et al., 2010). Sin go y soja de segunda, ubicado al sudeste pampeano de la

Variabilidad espacial de suelo a escala de lote y su relación con los rendimientos

Abril 2016, Argentina 49

provincia de Buenos Aires, Argentina. Se compilaron valo- te (CFK-VS) con el software Management Zone Analyst
res georreferenciados de conductividad eléctrica aparente 1.0.1 (MZA) (Fridgen et al., 2004). Debido a que las va-
(CE) [mS m-1] en dos profundidades 0-30 cm (CE30) y riables de suelo presentaban varianzas desiguales y co-
0-90 cm (CE90), elevación [m], profundidad de tosca [cm] y varianzas no nulas, se utilizó como medida de similitud la
rendimiento de soja [t ha-1] y trigo [t ha-1]. Los valores de CE distancia de Mahalanobis. Otras opciones de configuración
fueron tomados utilizando un sensor (Veris 3100, Division del software, utilizadas para nuestro estudio, fueron: nú-
of Geoprobe Systems, Salina, KS) que utiliza el principio de mero máximo de iteraciones=300, criterio de convergen-
la inducción electromagnética. El sensor Veris 3100 recorrió cia=0.0001, mínimo número de zonas=2 y número máximo
el lote en una serie de transectas paralelas espaciados a de zonas=6. El exponente difuso se fijó en el valor con-
intervalos de 15 a 20 m. El instrumento fue calibrado, según vencional de 1,30 (Odeh et al., 1992). Para determinar el
las instrucciones del fabricante, antes de la recolección de número de zonas dentro del lote, se utilizaron dos índices
los datos. Los datos de CE fueron simultáneamente georre- de desempeño; la entropía normalizada de la clasificación
ferenciados con un DGPS (Trimble R3, Trimble Navegation (Normalized Classification Entropy, NCE) y el índice de
Limited, USA) con una exactitud de medición submétrica y rendimiento difuso (Fuzziness Performance Index, FPI)
configurado para tomar la posición del satélite cada segun- (Odeh et al., 1992). El número seleccionado de zonas se
do. Los datos de elevación del terreno también se midieron determinó cuando ambos índices, NCE y FPI, se redujeron
con un DGPS y se procesaron para obtener una precisión al mínimo, lo que representa el menor grado de solapa-
vertical de entre 3 y 5 cm aproximadamente. Las medicio- miento (FPI) o la mayor cantidad de organización (NCE)
nes de profundidad de tosca se realizaron utilizando un creada por la partición difusa de la matriz de datos original
penetrómetro hidráulico (Gidding) acoplado a un DGPS en (Fridgen et al., 2004).
una grilla regular de 30 m. Para cuantificar el rendimien-
to en grano del cultivo se utilizó un monitor de rendimiento El método CFK también fue implementado sobre com-
acoplado a un equipo de cosecha conectados a un DGPS. ponentes principales de variables de suelo. Para el pro-
cedimiento denotado como CFK-CP, se seleccionaron las
Los datos fueron sometidos a procedimientos de de- tres primeras componentes principales (CP1, CP2 y CP3)
puración vía la construcción de gráficos box-plots para la y estas fueron usadas en MZA para el análisis de cluster.
identificación de valores extremos. Debido a las diferentes Adicionalmente se obtuvieron tres nuevas variables sinté-
resoluciones espaciales de las variables medidas, se pro- ticas a partir de MULTISPATI-PCA (CPe1, CPe2 y CPe3)
mediaron los datos de CE30, CE90, elevación, rendimien- que también fueron usadas como inputs de MZA con una
tos de soja y de trigo, que se encontraban dentro de un configuración de parámetros idéntica a la clasificación an-
radio de 14 m desde cada uno de los 664 sitios, dentro del terior, el procedimiento fue denotado como CFK-CPe. Fi-
lote, donde se había registrado la profundidad de la tosca. nalmente, se utilizó el ACC para evaluar la relación entre
Este procedimiento se realizó utilizando el software Idrisi las variables de rendimiento y las tres primeras componen-
Taiga (Eastman et al., 2009). La matriz de datos resultante tes principales de cada tipo de análisis de componentes
estuvo conformada por n=672 sitios (filas) y p=5 variables principales. Se obtuvieron nuevas variables sintéticas de la
(columnas). primera correlación canónica significativa, tanto con el ACP
(ACC-CP) como desde las derivadas de MULTISPATI-PCA
(ACC-CPe). Las variables canónicas fueron posteriormen-
Simulación te clasificadas por el percentil 50. El software Infostat (Di
Para complementar la evaluación de los procedimientos Rienzo et al., 2012) y la librería ade4 (Chessel et al., 2004)
realizadas sobre datos reales, también se trabajó con datos del software R (R Development Core Team, 2012) fue uti-
simulados. Se generó un proceso aleatorio Gaussiano bajo lizada para el ACC, PCA y MULTISPATI-PCA; para este
un modelo espacial utilizando un variograma exponencial último análisis también se usó la librería spdep (Bivand et
para simular valores de CE30, CE90, elevación, profundi- al., 2012).
dad de tosca y rendimiento de soja. Se simularon 100 rea-
lizaciones utilizando para cada variable los parámetros es-
timados a partir de los datos reales. En cada realización se Criterio de evaluación de los procedimientos
obtuvo una matriz de datos de dimensión 700×5. La simu- Para comparar el desempeño de los métodos implemen-
lación se realizó de manera que las variables presentaran
tados basándose en las variables de suelo se realizó un
una componente espacial individual y una componente co-
análisis de la varianza (ANOVA) evaluando la significancia
mún para generar correlación espacial entre ellas (Diggle y
estadística (α=0,05) de las diferencias entre rendimiento
Ribeiro, 2007). Las simulaciones se realizaron utilizando el
promedio de las zonas delimitadas por cada método. Este
paquete geoR (Ribeiro y Diggle, 2001) del software libre R
análisis fue aplicado sobre la base de datos real y sobre
(R Development Core Team, 2012).
cada una de las 100 simulaciones. El ANOVA se realizó
bajo un modelo de clasificación lineal mixto considerando
las correlaciones espaciales entre las observaciones vía
Procedimientos analíticos
un modelo exponencial (Schabenberger y Pierce, 2002).
Se realizó un análisis de conglomerados fuzzy-k means Se compararon no solo la magnitud de las diferencias en
(CFK) a partir de las variables de suelo medidas inicialmen- rendimiento de las zonas delimitadas, sino también la va-

CÓRDOBA, M.1; BRUNO, C.1; COSTA, J.2; BALZARINI, M.1

50 ARTÍCULOS RIA / Vol. 42 / N.º 1

rianza residual (desviación estándar dentro de la zona y y Stafford, (1997), se seleccionó el menor número de cla-
error estándar –EE– de la diferencia de medias de zonas). ses que en este caso fue de dos.
En la tabla 1 se presentan los resultados del ANOVA
usado para comparar los rendimientos promedios entre
RESULTADOS Y DISCUSIÓN
las dos zonas definidas por cada método. El análisis de
Comparación de los métodos multivariados para la cluster basado en la componentes principales de variables
delimitación de zonas homogéneas de suelo así como las particiones basadas en ACC fueron
los métodos, entre los comparados, que delimitaron zonas
Se representaron gráficamente los valores de FPI y NCE
con diferencias estadísticamente significativas de rendi-
y el número de cluster k (número de zonas) para cada
miento tanto para soja como para trigo. CFK-CPe permitió
método de cluster usado (figura 1). El número óptimo de
identificar zonas con mayores diferencias entre las medias
zonas se determina cuando FPI y NCE alcanzan el valor
ajustadas de rendimiento y menor variabilidad residual, en
mínimo. Como mencionan Arno et al. (2011), mientras que
consecuencia, el EE para las medias de zonas es menor.
la minimización de la FPI es útil porque el solapamiento
entre cluster disminuye, la minimización de NCE es impor- El la figura 2 se muestra las dos zonas definidas a partir
tante porque el grado de organización aumenta como con- de cada uno de los cinco procedimientos comparados. Aun
secuencia de la partición de la matriz de datos. La expecta- cuando las diferencias visuales entre los mapas no son
tiva inicial de obtener un resultado coincidente para ambos grandes, los rendimientos difirieron entre una y otra zona
índices no se cumplió. Por lo tanto, como recomienda Lark en los mapas 2c, 2d y 2e.

0.20 0.10 0.20 0.10 0.20 0.10

0.15 0.08 0.15 0.08 0.15 0.08

FPI

0.10 0.06 0.10 0.06 0.10 0.06

0.05 0.04 0.05 0.04 0.05 0.04

2 3 4 5 6 2 3 4 5 6 2 3 4 5 6
Número de zonas

Figura 1. Fuzziness Performance Index (FPI, círculos) y Normalized Classification Entropy (NCE, cuadrados) para tres métodos de
zonificación basados en el análisis de cluster fuzzy k-means (CFK) sobre variables de suelo originales, componentes principales y com-
ponentes principales espaciales (CFK-VS, CFK-CP y CFK-CPe).

Rendimiento Rendimiento
Método Estimaciones de Soja (RS) de Trigo (RT)
Zona I Zona II Zona I Zona II
Media 1.792 a
1.814 a
3.680 a
3.691a
CFK-VS
EE 0,035 0,036 0,125 0,125
Media 1.781 a
1.827 a
3.672 a
3.702a
CFK-CP
EE 0,035 0,036 0,125 0,125
Media 1.675 a
1.910 b
3.563 a
3.805b
CFK-CPe
EE 0,031 0,03 0,11 0,11
Media 1.730 a
1.876 b
3.637 a
3.746 b
ACC-CP
EE 0,034 0,034 0,118 0,119
Media 1.687 a
1.918 b
3.579 a
3.814 b
ACC-CPe
EE 0,03 0,031 0,11 0,11

Tabla 1. Rendimientos promedios de soja y trigo, para dos zonas homogéneas delimitadas, según método de zonificación.

Variabilidad espacial de suelo a escala de lote y su relación con los rendimientos

Abril 2016, Argentina 51

a b c

d e

Figura 2. Zona 1 (gris claro) y zona 2 (gris oscuro) de un lote según cinco métodos de zonificación: a) CFK-VS, b) CFK-CP, c) CFK-CPe,
d) ACC-CP y e) ACC-CPe.

ZM con diferencias > Magnitud < Variabilidad residual

Método en rendimiento Diferencias dentro de cada ZM
(%) (%) (%)
CFK-VS 67 27 21
CFK-CP 79 34 36
CFK-CPe 81 39 43

Tabla 2. Resultados de la simulación. Porcentaje de simulaciones que identifican zonas homogéneas con diferencias significativas de
rendimiento.
*Letras diferentes indican diferencias estadísticamente significativas (p<0.05) entre las medias ajustadas de rendimiento para las distintas
zonas de manejo delimitadas

El advenimiento de las nuevas tecnologías de información manejarlas individualmente (dimensiones y capacidades

espacial utilizadas en la AP, proporcionan a los productores del parque de maquinaria, características físicas del lote
la posibilidad de obtener información y manejar de mane- y patrón de trabajo de la maquinaria) (Roel et al., 2007),
ra diferencial pequeñas áreas dentro del lote (Bullock et al., siempre interesan zonas cuyas diferencias se expresen
2007). Las zonas de manejo no son necesariamente está- en los rendimientos. En este trabajo el tamaño total de las
ticas y posiblemente varíen ante cambios que surgen en el zonas delimitadas con el método CFK-CPe fueron 30.08 y
manejo del lote a través de las campañas. Por ello, los ma- 35.32 ha para la zona I y II, respectivamente, con diferen-
pas de variabilidad y la clasificación de los sitios en zonas cias de rendimiento del 10% entre zonas tanto para soja
constituyen una práctica iterativa constantemente evaluada como para trigo.
y ajustada, por lo que es importante utilizar los métodos es-
tadísticos más apropiados para la delimitación de zonas.
Resultados de simulaciones
Sin bien no existen reglas fijas para la elección del ta-
maño y la forma de las zonas de manejo y la limitación En la tabla 2 se presentan indicadores de la performance
suele estar dada por la habilidad del productor de poder relativa de los procedimientos de cluster comparados, ob-

CÓRDOBA, M.1; BRUNO, C.1; COSTA, J.2; BALZARINI, M.1

52 ARTÍCULOS RIA / Vol. 42 / N.º 1

tenidos desde las simulaciones. El método CFK-CPe de- CFK-CP: Cluster fuzzy k-means aplicado a componentes
tectó diferencias estadísticamente significativas entre ren- principales.
dimiento de las zonas delimitadas en un 81% de las base
CFK-CPe: Cluster fuzzy k-means aplicado a componentes
de datos simuladas, mientras que CFK-CP y CFK-VS en el
principales espaciales.
79 y 67%, respectivamente. Además CFK-CPe en el 39%
de las simulaciones identificó zonas con mayor magnitud CFK-VS: Cluster fuzzy k-means aplicado a variables de
en las diferencias de medias de rendimiento. En el 43% suelo originales.
de los análisis realizados sobre datos simulados, CFK-CPe
EE: error estándar.
generó zonas con menor variabilidad residual.
MSE: manejo sitio específico.
PCA: análisis de componentes principales.
CONCLUSIONES
ZM: zonas de manejo.
En la base de datos reales usada en este trabajo, el
método CFK sobre variables de suelo no resultó el mejor
método para delimitar zonas homogéneas con diferencias
BIBLIOGRAFÍA
estadísticamente significativas respecto a su potencial pro-
ductivo. El mismo resultado se obtuvo con CFK-CP, el cual ARNO, J.; MARTÍNEZ-CASASNOVAS, J.A.; RIBES-DASI, M.;
ROSELL, J.R. 2011. Clustering of grape yield maps to delineate
ha sido ampliamente utilizado en trabajos para delimitar
site-specific management zones. Span. J. Agric. Res. 9(3), 721–729.
zonas de manejo. El análisis de cluster fuzzy k-means apli-
cado a las componentes principales espaciales delimitó zo- ARROUAYS, D.; SABY, N.P.A.; THIOULOUSE, J.; JOLIVET, C.;
BOULONNE, L.; RATIÉ, C. 2011. Large trends in French topsoil
nas dentro del lote con mayores diferencias en rendimiento
characteristics are revealed by spatially constrained multivariate
y menor variabilidad de rendimiento dentro de las zonas. El analysis. Geoderma 161:107–114.
resultado observado en la aplicación de este procedimiento
BIVAND, R.S. 2012. spdep: Spatial Dependence: Weighting
sobre una base de datos experimental fue corroborado con
Schemes, Statistics and Models. R package version 0.5-46, URL
un estudio de simulación. [Link]
BULLOCK, D.S.; KITCHEN, N.; BULLOCK, D.G. 2007. Multidis-
ciplinary Teams: A Necessity for Research in Precision Agriculture
AGRADECIMIENTOS Systems. Crop Sci. 47:1765–1769.
Los autores expresan sus agradecimientos al Ing. Agr. CHESSEL, D.; DUFOUR A.B.; THIOULOUSE, J. 2004. The
Nahuel Peralta de la EEA INTA Balcarce, por su ayuda en ade4 package-I- One-table methods. R News 4:5–10.
la recopilación de los datos que se ofrecen en los cam- CORWIN, D.L.; LESCH, S.M. 2010. Delineating site-specific
pos donde se realizó el estudio. El presente trabajo forma management units with proximal sensors. En: OLIVER, M. (Ed.)
parte de la tesis doctoral de Mariano Córdoba (becario de Geostatistical applications in precision agriculture. Springer. Nue-
va York. pp. 139–165.
posgrado del Consejo Nacional de Investigaciones Cien-
tíficas y Técnicas (CONICET)) para obtener el doctorado DI RIENZO, J.A.; CASANOVES, F.; BALZARINI, M.G.; GON-
ZALEZ, L.; TABLADA, M.; ROBLEDO, C.W. InfoStat versión 2012.
en Ciencias Agropecuarias de la Universidad Nacional de
Grupo InfoStat, FCA, Universidad Nacional de Córdoba, Argenti-
Córdoba.
na. URL [Link]
DIGGLE, P.J.; RIBEIRO JNR, P.J. 2007. Model-based Geosta-
tistics. Springer, Nueva York, p. 228.
ABREVIATURAS
DRAY, S.; SAID, S.; DEBIAS, F. 2008. Spatial ordination of ve-
ACC: análisis de correlaciones canónicas. getation data using a generalization of Wartenberg’s multivariate
spatial correlation. J. Veg. Sci. 19:45–56.
ACC-CP: clasificación basada en el percentil 50 de varia-
EASTMAN, J.R. 2009. IDRISI Taiga (Worcester, MA: Clark Uni-
bles canónicas que correlacionan rendimientos con com-
versity).
ponentes principales de variables de suelo.
FRIDGEN, J.J.; KITCHEN, N.R.; SUDDUTH, K.A.; DRUM-
ACC-CPe: clasificación basada en el percentil 50 de varia- MOND, S.T.; WIEBOLD, W.J.; FRAISSE, C.W. 2004. Management
bles canónicas que correlacionan rendimientos con com- Zone Analyst (MZA): Software for Subfield Management Zone De-
ponentes principales espaciales de variables de suelo. lineation. Agron. J. 96:100–108.
LARK, R.M.; STAFFORD, J.V. 1997. Classification as a first step
AP: agricultura de precisión. in the interpretation of temporal and spatial variation of crop yield.
CE: conductividad eléctrica aparente. Ann. Appl. Biol. 130:111–121.
LI, Y.; SHI, Z.; LI, F.; LI, H.Y. 2007. Delineation of site-specific
CE30: conductividad eléctrica aparente a 30 cm de pro- management zones using fuzzy clustering analysis in a coastal sa-
fundidad. line land. Comp. Electron. Agric. 56:174–186.
CE90: conductividad eléctrica aparente a 90 cm de pro- MORAL, F.J.; TERRÓN, J.M.; MARQUES DA SILVA, J.R. 2010.
fundidad. Delineation of management zones using mobile measurements of
soil apparent electrical conductivity and multivariate geostatistical
CFK: Cluster fuzzy k-means. techniques. Soil Till. Res. 106:335–343.

Variabilidad espacial de suelo a escala de lote y su relación con los rendimientos

Abril 2016, Argentina 53

ODEH, I.O.A.; MCBRATNEY, A.B.; CHITTLEBOROUGH, D.J. RODRÍGUEZ-PÉREZ, J.R.; PLANT, R.E.; LAMBERT, J.J.;
1992. Soil pattern recognition with fuzzy c-means: application to SMART, D.R. 2011. Using apparent soil electrical conductivity
classification and soil-landform interrelationship. Soil Sci. Soc. Am. (ECa) to characterize vineyard soils of high clay content. Precis.
J. 56:505–516. Agric. 12(6): 775–794.
ORTEGA, R.A.; SANTIBAÑEZ, O.A. 2007. Determination of ROEL, A.; TERRA, J. 2007. Muestreo de suelos y factores limi-
management zones in corn (Zea mays L.) based on soil fertility. tantes del rendimiento. En: BONGIOVANNI, R. et al., (Eds.) Agri-
Comp. Electron. Agric. 58:49–59. cultura de Precisión: Integrando conocimientos para una agricultura
moderna y sustentable. PROCISUR/IICA, Montevideo. pp. 65–80.
PERALTA, N.R.; CASTRO FRANCO, M.; Costa, J.L. 2011.
SCHABENBERGER, O.; PIERCE, F.J. 2002. Contemporary sta-
Relación espacial entre variables de sitio y rendimiento para
tistical models for the plant and soil sciences. Taylor and Francis,
la delimitación de zonas de manejo mediante el uso de he-
CRC Press, Florida, p. 738.
rramientas informáticas. Congreso AgroInformática. Córdoba,
Argentina. SCHEPERS, A.R.; SHANAHAN J.F.;LIEBIG M.A.; SCHEPERS
J.S.; JOHNSON S.H.; LUCHIARI Jr A. 2004. Appropriateness of
R DEVELOPMENT CORE TEAM 2012. R: A language and management zones for characterizing spatial variability of soil pro-
environment for statistical computing. R Foundation for Statisti- perties and irrigated corn yields across years. Agron. J. 96:195–203.
cal Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://
XIN-ZHONG, W.; GUO-SHUN, L.; HONG-CHAO, H.; ZHEN-
[Link]/.
HAI, W.; QING-HUA, L.; XU-FENG, L.; WEI-HONG, H.; YAN-TAO,
RIBEIRO JNR, P.J.; DIGGLE, P.J. 2001. geoR: A package for L. 2009. Determination of management zones for a tobacco field
geostatistical analysis. R News, 1(2):15–18. based on soil fertility. Comp. Electron. Agric. 65:168–175.

CÓRDOBA, M.1; BRUNO, C.1; COSTA, J.2; BALZARINI, M.1