Comunidad Pique

El 7 de julio se celebra el Día Internacional de la Conservación del Suelo, en honor al científico estadounidense Hugh Hammond Bennett, defensor de la importancia del cuidado del suelo en la productividad agrícola. Esta conmemoración busca generar conciencia sobre la conservación del suelo como elemento esencial para todos los seres vivos y promover el respeto por nuestro entorno.
Diversas acciones humanas, como la tala indiscriminada de árboles, las quemas agresivas y el uso excesivo de abonos artificiales, pueden provocar la erosión del suelo y su empobrecimiento en nutrientes y microorganismos. Por ello, es crucial adoptar prácticas de conservación para preservar la salud y productividad del suelo agrícola.
La Universidad Distrital Francisco José de Caldas, a través de sus proyectos curriculares, se suma a estas iniciativas de conservación y cuidado del suelo, contribuyendo desde la academia y generando conciencia entre la comunidad.
Es importante tener en cuenta que el suelo no es solo un soporte para las plantas, sino un ecosistema vivo y dinámico.Su estructura, compuesta por partículas minerales, materia orgánica, agua y aire, es esencial para el crecimiento de las plantas y la sostenibilidad de los sistemas agrícolas. Además, alberga una gran cantidad de microorganismos que desempeñan un papel crítico en su salud y fertilidad.
La biodiversidad también se ve afectada por la actividad agrícola y la reducción de hábitats naturales. Sin embargo, cada vez más agricultores están tomando conciencia de la necesidad de producir de manera sustentable y preservar la biodiversidad. A través de Buenas Prácticas Agrícolas, el uso racional del agua, el manejo integrado de plagas y la creación de refugios de biodiversidad, los agricultores se convierten en aliados del ambiente y contribuyen al cuidado de las especies.
El Día Internacional de la Conservación del Suelo nos invita a reflexionar sobre la importancia de preservar nuestro suelo agrícola. Debemos reconocer su vitalidad y estructura, así como el papel fundamental que desempeña en la producción de alimentos y la salud del planeta. Asimismo, es responsabilidad de todos, incluidos los agrónomos, adoptar prácticas que contribuyan a la conservación del suelo y la promoción de la biodiversidad.

¡Bienvenidos al blog de Pique! En esta entrada, queremos presentarles cómo la innovación de Pique está transformando el mundo del muestreo de suelo y revolucionando la agricultura de precisión.

En la actualidad, los ingenieros agrónomos especialistas en muestreo de suelo se enfrentan a desafíos para maximizar la eficiencia y la precisión en sus trabajos. Es aquí donde Pique marca la diferencia. Nuestra plataforma digital ofrece una solución completa que combina tecnología avanzada y conocimiento científico para optimizar el proceso de muestreo de suelo.

¿Cuál es el impacto de la innovación de Pique? Imagina poder realizar muestreos de suelo de manera más rápida, precisa y eficiente, obteniendo datos de alta calidad y confiabilidad. Esto significa que podrás tomar decisiones agronómicas más fundamentadas, maximizando el rendimiento de los cultivos y optimizando el uso de recursos como fertilizantes y agua.

Pero eso no es todo. Pique va más allá del muestreo de suelo. Nuestra plataforma ofrece potentes herramientas de análisis de datos que te permiten visualizar, interpretar y analizar la información recolectada de manera intuitiva. Podrás identificar patrones, tendencias y áreas de mejora en tus prácticas de agricultura de precisión, lo que te ayudará a ajustar estrategias y tomar decisiones informadas para obtener resultados óptimos.

La colaboración y la conectividad también son elementos clave en Pique. Nuestra plataforma te brinda la oportunidad de conectarte con otros profesionales agrónomos, intercambiar conocimientos, participar en debates y acceder a contenido relevante dentro de la comunidad Pique. Juntos, podremos aprender, crecer y estar al tanto de las últimas tendencias en el campo de la agronomía.

En resumen, la innovación de Pique en el muestreo de suelo tiene un impacto significativo en la agricultura de precisión. Nuestra plataforma simplifica tareas, mejora la eficiencia, ofrece datos precisos y análisis avanzados, fomenta la colaboración y conectividad, y te ayuda a alcanzar resultados excepcionales en el campo.

Únete a la revolución del muestreo de suelo con Pique. Visita nuestro sitio web en www.pique.com.ar para obtener más información y descubre cómo nuestra innovación puede potenciar tu trabajo y llevarlo al siguiente nivel.

¡Juntos, transformaremos la agricultura de precisión!

La Agricultura de Precisión (AP) puede mejorar el proceso de toma de decisiones en la producción agrícola. A diferencia de la agricultura tradicional, la AP permite la aplicación de fertilizantes, riegos o enmiendas específicas en cada lugar, es decir, a una tasa variable. En consecuencia, su uso puede contribuir a mejorar la eficiencia del rendimiento y reducir los impactos ambientales (Ortega y Santibáñez, 2007; Bottega et al., 2017).

Además de permitir la reducción de contaminantes y la maximización de la productividad agrícola, el manejo adecuado del suelo está directamente relacionado con el conocimiento de la variabilidad espacial de los atributos del suelo (Barbosa et al., 2019). Esta variabilidad espacial de las georreferenciadas
variables pueden ser estudiadas mediante técnicas de Geoestadística, que además permiten determinar el grado de dependencia espacial entre los elementos muestrales en la región y describir la estructura de dependencia espacial de la variable georreferenciada en toda el área, elaborando así los mapas temáticos ( Cressie, 2015; Uribe Opazo et al., 2021).

Una de las formas propuestas para enfrentar la heterogeneidad espacial del suelo y las propiedades químicas del suelo del área agrícola es la definición de zonas de manejo (ZM), que no es más que delimitar el área de estudio en subáreas con características similares, es decir, subáreas espacialmente homogéneas según ciertas variables/atributos. Con esto, es posible manejar cada subárea de manera uniforme y con una cantidad similar de fertilizantes, lo que permite una estrategia más viable para el manejo localizado (Rodrigues Jr et al., 2011; Galambošová et al., 2014). Como las ZM se generan para ser utilizadas en varios años de cosecha, se recomienda utilizar variables del suelo que no varíen significativamente en el tiempo, como datos topográficos (elevación y pendiente) y datos físicos del suelo (densidad aparente, textura del suelo, resistencia a la penetración del suelo – SPR) (Aikes Jr et al., 2021). Cuando el agricultor solo tiene datos sobre las propiedades químicas del suelo, se pueden generar zonas de aplicación (AZ) para recomendaciones de aplicación de fertilizantes de tasa variable (Molin, 2006; Aikes Jr et al., 2021).

La diferencia entre MZs y AZs está relacionada con las variables disponibles (estables o inestables) y con el tiempo de uso previsto de las zonas (uso a largo plazo o simplemente para aplicación futura de fertilizantes). Por otro lado, las estadísticas espaciales y el análisis de conglomerados multivariado son métodos que pueden ser utilizados por ambas zonas. Además, estas zonas pueden representar indicadores o estratos para muestreos de suelos, reduciendo la cantidad de muestras que se deben recolectar para realizar los análisis de suelos y cultivos (Gavioli et al., 2019). Otra metodología que permite reducir el número de puntos de muestreo en un estudio de variabilidad espacial, es decir, caracterizar espacialmente una propiedad estudiando su distribución y dispersión en el área agrícola y, en consecuencia, elevando el nivel de productividad del cultivo (Landim y Yamamoto, 2013), es el relacionado con los procesos de optimización, como el Algoritmo Genético (AG).

El GA se puede utilizar para resolver problemas de optimización que se encuentran en el mundo real; consiste en una técnica de optimización basada en el proceso de evolución y adaptación de los individuos de una población y pretende que en la población sólo permanezcan los aptos, constituyendo una solución al problema, es decir, consiste en un proceso iterativo, partiendo de una población de individuos, cuáles son las posibles soluciones al problema. Los individuos son evaluados para seleccionar al más apto, según una función objetivo a maximizar o minimizar. Los individuos seleccionados se recombinan en base a los operadores genéticos y así se genera una nueva población. Este proceso se lleva a cabo hasta encontrar la solución óptima o hasta alcanzar un criterio de parada preestablecido por el investigador; se pueden ver más detalles en Guedes et al. (2011) y Maltauro et al. (2019).

En el contexto de obtener una configuración de muestra reducida, con un tamaño previamente fijado por el investigador y considerando procesos de optimización univariada, el AG híbrido mostró que una reducción del tamaño de muestra del 50 % produce resultados efectivos para la clasificación del fertilizante potásico en la zona (Guedes et al., 2011). Optimizando la eficiencia de la estimación del modelo geoestadístico y basándose en la matriz de información de Fisher (función objetivo) así como en la estimación de los valores predichos por kriging, maximizando la medida de la Precisión General (OA, función objetivo), Maltauro et al. (2019; 2021), respectivamente, obtuvieron que el AG fue eficiente en la reducción del tamaño de muestra, determinando un tamaño de muestra con 29.41 a 39.22 % de los puntos iniciales de muestreo para las propiedades químicas del suelo.

En este estudio, buscamos una definición conjunta de AZ y determinar un rediseño de muestreo optimizado (una nueva configuración reducida) con un tamaño reducido utilizando el GA. Así, las AZ permiten recolectar más muestras en áreas con mayor variabilidad (áreas heterogéneas) y reducir dicho número en áreas más homogéneas (Rodrigues Junior et al., 2011). Este estudio tuvo como objetivo obtener un rediseño de muestreo espacial multivariante optimizado con tamaño de muestra reducido de un área agrícola utilizando zonas de aplicación como una forma de estratificar el área agrícola, así como el proceso optimizado llamado GA.

MATERIALS AND METHODS

Área de estudio y datos del suelo
Se recolectaron muestras de suelo en un área agrícola ubicada en la ciudad de Cascavel, Estado de Paraná, y se determinaron las siguientes propiedades químicas: Al, Saturación de Bases [V], Ca2+, C, Cu, Fe, K+ , H+Al, Mg2+, Mn, materia orgánica (MO), P, pH, suma de bases (SB) y Zn; y se calculó el índice de Shoemaker, Mac lean y Pratt (SMP) (Cuadro 1). El área agrícola tiene 167,35 ha y es un área comercial de producción de granos ubicada en Fazenda Três Meninas en aproximadamente 24,95° Sur y 53,37° Oeste y con una altitud media de 650 m sobre el nivel del mar. El suelo se clasifica como Latossolo Vermelho Distroférrico típico (Santos et al., 2018) ou Oxisoles (Taxonomía de suelos), con una textura arcillosa. El clima de la región se clasifica como mesotérmico y templado superhúmedo, tipo climático Cfa (sistema de clasificación de Köeppen), y la temperatura media anual es de 21 °C (Aparecido et al., 2016).

La configuración muestral o diseño de muestreo (disposición de los puntos de muestreo) que se utiliza en esta zona es lattice plus close pairs (Grilla con pares cercanos) (Chipeta et al., 2017), con 102 puntos de muestreo. Se eligió este muestreo porque el muestreo regular permite una distribución uniforme de los puntos de muestreo en toda el área de estudio. Este diseño de muestreo consiste en una cuadrícula regular con una distancia mínima de 141 m entre los puntos. En algunos lugares elegidos al azar, los puntos de muestreo se dispusieron a distancias menores (75 y 50 m entre pares de puntos) (Figura 1). Agregar puntos cercanos minimiza los errores de estimación en escalas más pequeñas. Las muestras se ubicaron y georeferenciaron utilizando un receptor GNSS (GeoExplorer, Trimble Navigation Limited, Sunnyvale, CA, EE. UU.) en un sistema de referencia de coordenadas Datum WGS84, proyección UTM (Universal Transverse Mercator).

El muestreo de suelo se realizó en cada punto indicado (Figura 1). De acuerdo con las recomendaciones encontradas en la literatura, en estos puntos se colectaron cuatro submuestras de suelo, de 0.0 a 0.2 m de profundidad en las cercanías de los puntos (Arruda et al., 2014), se mezclaron y se colocaron en bolsas plásticas con muestras de aproximadamente 500 g, constituyendo así la muestra representativa de la parcela. Los análisis químicos se realizaron utilizando el método de Walkley-Black (Walkley y Black, 1934).

Considerando la base de datos del Laboratorio de Estadística Aplicada y Espacial (LEA y LEE) de la UNIOESTE, los últimos años consecutivos de cosecha utilizados en esta investigación (2013-2014, 2014-2015, 2015-2016 y 2016-2017) para los cuales se tomaron muestras de suelo. fueron recolectados y analizados en el laboratorio para determinar las propiedades químicas. Solo se utilizaron las propiedades químicas del suelo porque la base de datos no tiene las propiedades físicas del suelo para todos los años.

Analisis inicial
Considerando todos los años de cosecha, se realizaron análisis descriptivos y geoestadísticos para cada propiedad química del suelo para verificar la existencia de tendencias direccionales, dependencia espacial y anisotropía (Figura 2a). Las tendencias direccionales representan una asociación lineal entre los respectivos valores de las propiedades químicas del suelo con las coordenadas del eje X o Y, y fueron evaluadas por el coeficiente de correlación lineal de Pearson (r), en el que los valores superiores a 0,30 en un módulo indican una tendencia direccional ( Callegari-Jacques, 2003). La anisotropía se evaluó analizando los semivariogramas direccionales (Guedes et al., 2018) y el no paramétrico Maity y Sherman (2012), considerando un 5 % de significación.

Para comprender y describir la dependencia espacial, se estimaron los parámetros de los modelos geoestadísticos: exponencial, gaussiano y de la familia Matérn con parámetro de forma km = 2,5 utilizando el método de máxima verosimilitud (Uribe-Opazo et al., 2012), con elección de la mejor- modelo ajustado realizado siguiendo el método de validación cruzada (Faraco et al., 2008), como es ampliamente difundido y utilizado en la literatura y una técnica de estimación de errores que permite hacer comparaciones entre valores estimados y muestreados. El coeficiente Relative Nugget Effect (RNE) se calculó con el modelo mejor estimado. En consecuencia, solo se utilizaron en este estudio las propiedades químicas del suelo que presentaron dependencia espacial, desconsiderándose aquellas que no lo fueron espacialmente (dependencia espacial fuerte: 0.25≤ RNE; dependencia espacial moderada: 0.25< RNE <0.75; y dependencia espacial débil: RNE ≥ 0,75) (Cambardella et al., 1994) (Tabla 1).

Posteriormente, se elaboraron mapas temáticos correspondientes a cada propiedad química del suelo considerando la predicción espacial de cada propiedad en localidades no muestreadas del área agrícola en estudio, mediante kriging ordinario (considerado un interpolador óptimo, por la forma en que se distribuyen los pesos, para que el estimador no pueda estar sesgado y debe tener mínima varianza) y con píxeles que representan áreas de 10 × 10 m (número máximo de puntos interpolados que permitieron implementar análisis de conglomerados) (Cressie, 2015).

Adquisición de la matriz de disimilitud espacial multivariante

Considerando las propiedades químicas del suelo seleccionadas en cada año de cosecha (Cuadro 1), se utilizó una matriz de disimilitud para generar las AZ, que agrega información sobre la distancia euclidiana entre los elementos de la muestra y la estructura de dependencia espacial de las propiedades. En consecuencia, todas las localidades se compararon por pares para obtener la matriz de disimilitud espacial y multivariante. Para ello, en cada par de ubicaciones i y j (i,j = 1,…,n) en las que ya se habían medido las propiedades p (Cuadro 1), se calculó el coeficiente de similitud propuesto por Gower (1971) (Ecuación 1 ; Figura 2b).

La matriz de disimilitud se obtuvo con base en la secuencia metodológica descrita por Oliver y Webster (1989) (Figura 2b)

Para modificar la ecuación 2 de esta metodología (Figura 2b), con el fin de considerar las distancias geográficas entre las observaciones muestreadas y la variabilidad espacial de las propiedades, se realizó un Análisis de Componentes Principales (PCA) en los datos originales para reducir la dimensionalidad sin perder la información contenida en todas las propiedades. En este PCA, se seleccionó el primer componente principal (PC1), ya que explica la mayor parte de la variación de los datos.
Considerando los puntajes del PC1, los modelos geoestadísticos se ajustaron de manera análoga a la metodología utilizada para las propiedades químicas del suelo con el fin de obtener una estimación de los parámetros del modelo geoestadístico para los puntajes del PC1. Con estos parámetros se obtuvo la matriz de disimilitud D* (Ecuación 3; Figura 2b). De esta forma, la matriz agrega información sobre la distancia euclidiana entre los elementos de la muestra (Landim y Yamamoto, 2013), así como la estructura de dependencia espacial de las propiedades (Uribe-Opazo et al., 2012).

Con base en los cálculos (Ecuaciones 5 a 9; Figura 2b) realizados en los elementos de la matriz D*, se obtuvieron las columnas de la matriz G (Ecuación 10; Figura 2b), que son las nuevas variables (propiedades químicas del suelo después de usar la disimilitud matriz). De esta forma, se selecciona el número de columnas ρ correspondiente al número de atributos originales. Posteriormente, se ajustó un modelo geoestadístico y se realizó la interpolación de datos de los valores de las propiedades químicas del suelo mediante kriging, con píxeles que representan áreas de 10 × 10 m. Los valores interpolados de las propiedades químicas del suelo se utilizaron para obtener las AZ en el área agrícola (Gavioli et al., 2016).

Agrupamiento espacial del área agrícola

Considerando la matriz de disimilitud espacial multivariada y los métodos de conglomerado más citados en la literatura, se evaluaron cinco métodos para el conglomerado del área agrícola, tres de ellos jerárquicos y dos particionados, a saber: Fuzzy analysis clustering (Fanny), Fuzzy C-means, K- significa, McQuitty y Ward (Ward Jr, 1963; McQuitty, 1966; MacQueen, 1967; Bezdek, 1981; Kaufman y Rousseeuw, 1990), respectivamente. Se utilizaron cinco criterios de evaluación para seleccionar el método que proporcionó la mejor agrupación de datos, a saber: índice de Dunn (D), índice de Davies Bouldin (DB), índice C, índice SD e índice de reducción de la varianza (VR) (Dunn, 1974; Hubert y Levin, 1976; Davies y Bouldin, 1979; Halkidi et al., 2000; Gavioli et al., 2016).

Para definir el número adecuado de conglomerados para cada año de cosecha, se utilizaron los gráficos de dispersión de la Suma de Cuadrados de Errores (SSE) contra el número de conglomerados (gráfico de rodilla) en cada método de conglomerado, así como el gráfico de dispersión de silueta contra el número de agrupaciones. Estos métodos se utilizaron para su estabilización y por presentar resultados satisfactorios en la literatura (Shi y Zeng, 2013; Yi et al., 2013; Martarelli y Nagano, 2016). En el gráfico SSE, la distancia media disminuye a medida que aumenta el número de grupos. Para encontrar el número óptimo de conglomerados, es necesario encontrar el conglomerado con una fuerte caída; por lo tanto, este será el punto dulce de los racimos. Para el gráfico de silueta se observa el cluster que presenta el mayor valor o pico del gráfico (Tan et al., 2009; Yi et al., 2013). Por lo tanto, con el número óptimo de conglomerados y el método de conglomerado seleccionado, se generaron mapas AZ para todos los años de cosecha considerando las propiedades químicas del suelo que mostraron dependencia espacial.

Rediseño de muestreo optimizado (puntos de muestreo seleccionados por el AG con reducción de muestreo)

Luego de dividir el área agrícola en AZ, se realizó un proceso de reducción de muestras, seleccionando puntos de muestreo dentro de cada AZ para todos los años de cosecha. La obtención de una nueva configuración de muestra reducida se consideró un problema de optimización (Guedes et al., 2014; Maltauro et al., 2019), ya que el objetivo de la optimización es buscar las mejores soluciones para lograr el objetivo del problema; en la propuesta de este artículo se buscó obtener las mejores configuraciones muestrales con tamaños reducidos. La intención era reducir la configuración muestral inicial en un 25 y 50 % (Figura 2b), seleccionando los puntos de muestreo dentro de cada AZ

La metodología desarrollada por el AG para obtener la configuración muestral optimizada fue similar a la desarrollada por Maltauro et al. (2021), cambiando únicamente la función objetivo. Para obtener una configuración de muestra optimizada para cada año de cosecha, considerando todas las propiedades del suelo, se decidió trabajar con optimización multiobjetivo, en la que es posible encontrar soluciones viables que optimicen simultáneamente varias funciones objetivo (Deb y Kalyanmoy, 2001). Para ello se utilizó el método de la Suma de Pesos (SW), que consiste en la suma de la función objetivo correspondiente a cada propiedad, ajustada por un peso (Branke et al., 2008; Pantuza Junior, 2016).

En este estudio, la eficiencia de optimización se evaluó en base a la predicción espacial. Posteriormente, consideramos una función multiobjetivo a minimizar utilizando el método SW (Ecuación 11), basada en una medida de similitud entre las configuraciones de muestra inicial y optimizada de cada una de las propiedades químicas del suelo, denominada OA (Guedes et al., 2014; Maltauro et al., 2021) metodología.

donde: xi es una posible configuración muestral del problema, con tamaño muestral i(i=1,2,⋯,n), donde n es el número de puntos de muestreo; wm = 1/p es el peso para cada función objetivo de las k-ésimas propiedades del suelo (Ecuación 12).

con k = 1,…, p, donde p es el número de atributos del suelo, de manera que wk ∈ [0, 1], ∑p k=1 wk = 1 y OAk (x) ∈ [0,1]. En consecuencia, al minimizar F(xi), que es la combinación lineal de las k funciones objetivo, se obtendrán valores más bajos de fk (xi), lo que corresponde a obtener valores más altos de OAk (xi).

Con cada configuración de muestra optimizada, se realizaron nuevamente los análisis de datos descriptivos y geoestadísticos. Finalmente, se compararon las configuraciones muestrales inicial y optimizada utilizando métricas que expresan la similitud de los mapas temáticos obtenidos mediante kriging, a saber: OA (Anderson et al., 2001) y los índices de concordancia Kappa (Kp) y Tau (T) (Krippendorff , 2013) (Figura 2b).

Recursos computacionales

Las rutinas para el cálculo de la matriz de disimilitud espacial y multivariante, el agrupamiento, la configuración de la muestra, la optimización y otros análisis estadísticos y geoestadísticos se desarrollaron en el software R (R Development Core Team, 2022), considerando ClassInt, cluster, clusterCrit, data.table, e1071, fastcluster, geoR, psych, Splancs y paquetes veganos.

RESULTADOS

Ejemplo de configuración inicial

Para todos los años de cosecha, las propiedades químicas del suelo presentaron dispersión de sus valores alrededor de la media, o incluso datos homogéneos. Los contenidos de Ca2+, C, Cu, Fe, H+Al, Mn, K+, Mg2+, MO y P, así como el pH y la SB, tuvieron valores medios considerados medios, altos o muy altos para el uso del suelo. A su vez, el valor medio de Zn se puede clasificar como bajo o medio, y los valores de Al y V se clasificaron como muy bajos o bajos.

Para la tendencia direccional, solo el contenido de Zn en la cosecha 2014-2015 presentó una asociación lineal moderada de sus respectivos valores con las coordenadas del eje X, con un valor del coeficiente de correlación lineal de Pearson superior a 0,30 en un módulo. Para todos los años de cosecha, las propiedades químicas del suelo presentaron dependencia espacial moderada (0.25< RNE <0.75) o fuerte (0.25≤ RNE) (Cuadro 2).

En cuanto al valor estimado para el radio de dependencia espacial (rango práctico), las campañas 2013-2014 y 2015-2016 presentaron mayor variación, de 157,70 a 707,86 m y de 149,73 a 855,10 m, respectivamente, mientras que las campañas 2014-2015 y 2016- Los años de cosecha 2017 exhibieron menor variación en el rango práctico, de 128.61 a 453.07 m y de 126.32 a 385.62 m, respectivamente. Esta variación en los rangos prácticos puede estar influenciada por el modelo elegido y la reducción del tamaño de la muestra (Tabla 2).

Agrupamiento espacial del área agrícola

Para las cosechas 2013-2014, 2015-2016 y 2016-2017, considerando los diagramas de dispersión del número de racimos versus SSE y siluetas, el mejor número de racimos para todos los métodos de agrupamiento fue kc = 2 ya que, con esto número de conglomerados, se obtuvo el mayor valor del coeficiente de Silhouette y el menor valor de SSE. A su vez, para la cosecha 2014-2015 y para la mayoría de los métodos de agrupamiento, el número ideal de racimos fue kc = 3 (Figura 3). En cuanto a la interpretación de las propiedades químicas disponibles en el suelo dentro de cada AZ, se observó que todas las propiedades químicas del suelo presentaron valores medios, altos o muy altos para el suelo en el estado de Paraná, excepto el Al y el pH químico del suelo. propiedades, las cuales fueron clasificadas como bajas o muy bajas.

Considerando los criterios de evaluación, K-means fue el mejor método de agrupamiento para las cosechas 2013-2014, 2014-2015 y 2015-2016 ya que en este método se obtuvieron los valores más bajos de los índices DB, C y SD, así como como los valores más altos de los índices D y VR (Cuadro 3). Con respecto al año de cosecha 2016-2017, se observó un empate entre los métodos de agrupación Ward y Fuzzy C-means (Cuadro 3). Además de eso, se verificó cierta similitud en los mapas de los agrupamientos en relación a la definición de las AZ. En consecuencia, se seleccionó el método de agrupamiento Ward para la cosecha 2016-2017, ya que su ejecución es más sencilla y requiere menos tiempo de cómputo.

Se observan diferencias al comparar las AZ generadas para cada año de cosecha, lo que puede explicarse por el hecho de que se utilizan diferentes propiedades químicas del suelo en cada año de cosecha. Sin embargo, se observa que se creó una AZ más grande en todos los años de cosecha (color rojo, Figura 4). Además de eso, se observó que existe al menos una AZ en la región Suroeste en todos los años de cosecha (Figura 4). Y, con excepción del año de cosecha 2015-2016, también fue posible encontrar al menos una AZ en la región Norte (Figura 4).

En los años de cosecha que tuvieron dos AZ, la mayor (color rojo) ocupó 106.85 ha (64 % del área), 99.61 ha (60 % del área) y 120.38 ha (74 % del área) para la temporada 2013-2014, Años de cosecha 2015-2016 y 2016-2017, respectivamente (Figura 4). El año de cosecha 2014-2015, que contó con tres AZ, tuvo 69.64 y 54.03 hectáreas en las dos AZ más grandes, correspondientes al 42 y 32 % del área total, respectivamente (Figura 4). Luego, dentro de los años de cosecha estudiados, se seleccionaron dos o tres AZ en el área de estudio.

Configuración de muestra optimizada

Considerando todos los años de cosecha, los puntos de muestreo se distribuyeron en todas las AZ, siendo las zonas más grandes las que presentan el mayor número de puntos de muestreo, recogiendo así un mayor número de muestras en las zonas con mayor variabilidad espacial, así como reduciéndose este número en las zonas más homogéneas . Este resultado también estuvo influenciado simultáneamente por el tamaño de las AZ y por la distribución uniforme de los puntos de muestreo sobre el área agrícola con base en el diseño original (lattice más pares cercanos). Así, AZ1 cubrió 60, 32, 65 y 73 puntos de muestreo, que corresponden al 59, 31, 64 y 72 % del total de puntos en el área de estudio, respectivamente, para los años 2013-2014, 2014-2015, 2015-2016 y Años de cosecha 2016-2017. A su vez, AZ2 comprendió 42 puntos de muestreo (41 % del total de puntos del área de estudio), 26 puntos de muestreo (26 % del total de puntos del área de estudio), 37 puntos de muestreo (36 % del total de puntos del área de estudio área) y 29 puntos de muestreo (28 % del total de puntos en el área de estudio) (Figura 5). Además, en la cosecha 2014-2015, AZ3 incluyó 44 puntos de muestreo (43 % del total de puntos en el área de estudio). Las configuraciones de muestreo optimizadas que eliminaron el 50 % de los puntos de muestreo iniciales (O50) obtuvieron 51 puntos de muestreo, y las que eliminaron el 25 % (O25) de los puntos de muestreo iniciales tuvieron 76 puntos de muestreo distribuidos en el área agrícola (Figura 5). No fueron posibles reducciones mayores, ya que el número de puntos de muestreo no cumpliría con los criterios de análisis geoestadístico, es decir, tener al menos 30 pares para el cálculo de semivarianzas.

Para todos los años de cosecha se observó similitud en las estadísticas descriptivas entre las configuraciones muestrales O50 y O25 y las configuraciones muestrales iniciales (Cuadros 2, 4 y 5). Para la cosecha 2015-2016, ambas configuraciones de muestra optimizadas para obtener el contenido de Cu presentaron una tendencia direccional en el sentido Y (Norte-Sur) (r >30). Para el año de cosecha 2014-2015, el contenido de Zn presentó una tendencia direccional en la dirección X (Este-Oeste) (r >30) para las configuraciones de muestra O50 y O25, a diferencia de la configuración de muestra inicial, que presentó una tendencia direccional en la Dirección Y (Norte-Sur) (r >30).

Para la cosecha 2013-2014, solo los contenidos de H+Al y Mn presentaron un cambio en la clasificación de la intensidad de dependencia espacial, de moderada (0.25< RNE <0.75) a débil (RNE ≥0.75) o a fuerte (0.25≤ RNE) dependencia espacial para las configuraciones muestrales optimizadas (Tabla 4). Con respecto al año de cosecha 2014-2015, las propiedades químicas del suelo Al y Zn presentaron un efecto pepita para al menos una configuración de muestra optimizada; y el contenido de Ca tuvo una fuerte dependencia espacial (0.25≤ RNE) en la configuración de la muestra O50 (Cuadro 4).

Para la cosecha 2015-2016, todas las propiedades químicas del suelo presentaron dependencia espacial moderada (0.25< RNE <0.75) en la configuración de la muestra inicial y en la configuración de la muestra O25, mientras que en las configuraciones de la muestra O50, los contenidos de Ca y Mn mostraron una relación pura. efecto pepita, SB indicó dependencia espacial débil (RNE ≥0.75) y Zn evidenció dependencia espacial fuerte (0.25≤ RNE) (Cuadro 5). Finalmente, para la cosecha 2016-2017, en la configuración muestral O50, los contenidos de Ca2+ y V tuvieron dependencia espacial fuerte (0.25≤ RNE) y moderada (0.25< RNE <0.75), respectivamente; a su vez, el SB presentó dependencia espacial moderada (0.25< RNE <0.75) en la configuración de muestra O25, y el pH tuvo dependencia espacial fuerte (0.25≤ RNE) en ambas configuraciones de muestra optimizada (Cuadro 5).

CV: coeficiente de variación; μ̂ = β0: media estimada; φ̂1: efecto pepita estimado; φ̂2: contribución estimada; â: rango práctico estimado; RNE: efecto pepita relativo estimado (RNE = φ̂1/φ̂1 + φ̂2) (%) para propiedades que mostraron una tendencia direccional μ̂ = β0 + β1Y1; donde β̂0 (primer valor de la columna de medias), β̂ 1 (segundo valor de la columna de medias): valores estimados de los parámetros del modelo de regresión e Y1 representa la tendencia direccional identificada; Exp.: modelo exponencial; Gaus.: modelo gaussiano; M. km=2,5: Modelo de Matérn con parámetro de suavidad km=2,5; las unidades de las propiedades químicas del suelo medidas se encuentran en la Tabla 1.

Año cosecha 2016-2017, en la configuración muestral O50, los contenidos de Ca2+ y V tuvieron dependencia espacial fuerte (0.25≤ RNE) y moderada (0.25< RNE <0.75), respectivamente; a su vez, el SB presentó dependencia espacial moderada (0.25< RNE <0.75) en la configuración de muestra O25, y el pH tuvo dependencia espacial fuerte (0.25≤ RNE) en ambas configuraciones de muestra optimizada (Cuadro 5).

Comparando los mapas temáticos de los contenidos de Ca2+, Mn, MO y Zn y el de V generado considerando las configuraciones inicial y O25, se encontraron valores estimados de OA superiores al 85 %, lo que indica que los mapas son similares; es decir, los mapas elaborados considerando ambas configuraciones son similares en cuanto a la distribución de los contenidos de las propiedades en el área de estudio (OA ≥85 %) (Figuras 6 a 9). Por lo tanto, la configuración de muestra O25 también podría usarse para delimitar las AZ, de manera similar a las generadas con la configuración de muestra inicial.

De acuerdo con los valores estimados de los índices de concordancia Kp y T, la mayoría de las propiedades químicas del suelo presentaron precisión baja o media, con valores entre 0.001 y 79.18 % (precisión baja si Kp y T < 67 %, precisión media si 67 % ≤ Kp y T <80 %); mientras que los contenidos de Ca2+, Cu, Mn, MO y Zn y el pH, SB y V presentaron alta precisión, con valores entre 80.01 y 91.56 %, principalmente para el índice T (alta precisión si Kp y T ≥80 %) con los valores inicial y las configuraciones O25. Por su parte, el Al presentó alta precisión al comparar O25 y O50 con la configuración inicial (Figuras 6 a 9). Esto no muestra diferencias relevantes en la predicción espacial de estas propiedades en el área de estudio, descrita por los mapas temáticos.

CV: coeficiente de variación; μ̂ = β0: media estimada, φ̂1: efecto pepita estimado; φ̂2: contribución estimada; â: rango práctico estimado; RNE: efecto pepita relativo estimado (RNE = φ̂1/φ̂1 + φ̂2̂) (%); para los atributos que mostraron una tendencia direccional μ̂ = β0 + β1Y1, donde β̂0 (primer valor de la columna media), β̂1 (segundo valor de la columna media): valores estimados de los parámetros del modelo de egresión e Y1 representa la tendencia direccional identificada ; Exp.: modelo exponencial; Gaus.: modelo gaussiano; M. km=2,5: Modelo de Matérn con parámetro de suavidad km=2,5; las unidades de medida de las propiedades químicas del suelo se encuentran en la Tabla 1.

Maltauro, Tamara & Pagliosa Carvalho Guedes, Luciana & Uribe Opazo, Miguel & Dal Canton, Leticia. (2023). Spatial multivariate optimization for a sampling redesign with a reduced sample size of soil chemical properties. Revista Brasileira de Ciência do Solo. 47. 23. 10.36783/18069657rbcs20220072.

El muestreo de suelos es una técnica muy importante para realizar análisis químicos y físicos en el suelo. Este proceso permite obtener una muestra representativa del suelo para poder evaluar su calidad y su capacidad para sustentar diferentes cultivos. En este blog, se explicarán los pasos para realizar un muestreo de suelo para el estudio de análisis químicos.

El muestreo de suelo es un paso crítico en la realización de análisis químicos para determinar la fertilidad del suelo y la disponibilidad de nutrientes para las plantas. En este blog, te presentaré los pasos para realizar un muestreo de suelo para el estudio de análisis químicos, basado en las recomendaciones del Instituto Nacional de Tecnología Agropecuaria (INTA).

Paso 1: Planificación del muestreo

Antes de comenzar el muestreo, es importante tener en cuenta los objetivos del estudio y el tipo de análisis químicos que se realizarán. Además, se debe tener en cuenta la variabilidad del suelo, las características del terreno y las condiciones climáticas. Se debe preparar un plan de muestreo que incluya el número de muestras, la profundidad y la ubicación de las mismas.

Paso 2: Selección de puntos de muestreo

Los puntos de muestreo deben ser seleccionados aleatoriamente para obtener una muestra representativa del área a estudiar. Es recomendable utilizar una grilla regular de muestreo y tomar al menos 20 muestras por hectárea. Si la parcela es grande, se puede dividir en subáreas y tomar muestras en cada una de ellas.

Paso 3: Toma de muestras

Para tomar una muestra de suelo, se debe cavar un hoyo con una pala en el punto de muestreo. La profundidad de la muestra dependerá del tipo de análisis químicos que se realizarán, pero se recomienda tomar muestras a distintas profundidades para obtener una muestra completa del perfil del suelo. En general, se toman muestras a profundidades de 0-15 cm, 15-30 cm y 30-60 cm.

Paso 4: Mezcla de muestras

Una vez tomadas las muestras, se deben mezclar en un balde limpio para obtener una muestra compuesta representativa de la parcela o subárea. Es importante retirar piedras, raíces y otros materiales que no sean suelo de la muestra.

Paso 5: Secado y tamizado

La muestra compuesta se debe extender en una superficie limpia y dejar secar al aire durante un día. Luego, se debe tamizar con un tamiz de 2 mm para eliminar las raíces y otros materiales gruesos. La muestra tamizada se debe guardar en una bolsa o recipiente limpio y etiquetado para su envío al laboratorio.

Recomendaciones del INTA

El INTA recomienda realizar el muestreo en el momento adecuado según el cultivo y las condiciones climáticas. Además, se recomienda evitar tomar muestras en zonas anormales como caminos, esquinas de parcelas, cercas, etc. También es importante evitar contaminar las muestras con tierra de las botas o herramientas. Finalmente, se recomienda utilizar un formulario de registro de datos para documentar el proceso de muestreo y el lugar de envío de las muestras.

En resumen, el muestreo de suelo es un paso fundamental para obtener información precisa sobre la fertilidad del suelo y la disponibilidad de nutrientes para las plantas. Sigue estos pasos y las recomendaciones del INTA para obtener muestras representativas y evitar errores en la interpretación de los análisis químicos.

Además de los pasos y recomendaciones mencionados anteriormente, es importante destacar que existen herramientas y tecnologías que pueden potenciar el trabajo de muestreo de suelos para análisis químicos. Una de estas herramientas es el sistema de muestreo de suelo Pique de www.pique.com.ar.

El sistema Pique es una herramienta de muestreo de suelos que permite obtener muestras representativas de manera rápida y eficiente.

El sistema Pique tiene varias ventajas en comparación con el muestreo manual tradicional. Por un lado, el sistema es más rápido y eficiente, lo que permite tomar más muestras en menos tiempo. Además, el sistema proporciona una muestra homogénea y representativa del suelo, lo que mejora la precisión de los análisis químicos.

En conclusión, el sistema de muestreo de suelo Pique de www.pique.com.ar es una herramienta útil y eficiente para potenciar el trabajo de muestreo de suelos para análisis químicos. Si bien el muestreo manual tradicional sigue siendo válido, la tecnología puede hacer que el proceso sea más rápido y preciso, mejorando la calidad de los análisis químicos y la toma de decisiones en la agricultura y otras industrias relacionadas con el suelo.

El muestreo de suelo es una herramienta importante en el sector agrícola. A través de él, los agricultores pueden obtener información sobre la composición del suelo, lo que les ayuda a tomar decisiones informadas sobre qué cultivos plantar, qué nutrientes aplicar y cómo manejar la fertilidad del suelo. A continuación se presentan algunas de las principales ventajas del muestreo de suelo en el sector agrícola.

1. Mejora la calidad del suelo: El muestreo de suelo permite a los agricultores conocer la composición del suelo y su pH, lo que les permite ajustar la cantidad y el tipo de fertilizantes y enmiendas que necesitan para mejorar la calidad del suelo. Con el tiempo, esto puede ayudar a mejorar la fertilidad y la estructura del suelo, lo que puede conducir a mejores rendimientos y a una mayor calidad de los cultivos.
2. Ahorro de costes: El muestreo de suelo puede ayudar a los agricultores a reducir los costes de los fertilizantes y otros productos químicos al permitirles aplicar solo la cantidad necesaria para satisfacer las necesidades de los cultivos. Esto también ayuda a reducir la lixiviación de nutrientes en el suelo y la contaminación del agua subterránea.
3. Maximiza los rendimientos de los cultivos: Los agricultores que utilizan el muestreo de suelo pueden maximizar los rendimientos de los cultivos al aplicar los nutrientes adecuados en el momento adecuado. Esto puede ayudar a reducir los costes de producción y a aumentar la rentabilidad.
4. Identificación de problemas del suelo: El muestreo de suelo también permite a los agricultores identificar problemas específicos del suelo, como la presencia de patógenos o la acidez excesiva, lo que les permite tomar medidas para remediar estos problemas antes de plantar los cultivos.
5. Planificación a largo plazo: El muestreo de suelo permite a los agricultores planificar a largo plazo al proporcionar información sobre los cambios en la composición del suelo con el tiempo. Esto puede ayudar a los agricultores a tomar decisiones informadas sobre la rotación de cultivos y otros aspectos del manejo del suelo que pueden afectar a la calidad del suelo y la salud de los cultivos.

En conclusión, el muestreo de suelo es una herramienta esencial para los agricultores que buscan mejorar la calidad del suelo, maximizar los rendimientos de los cultivos, reducir los costes y planificar a largo plazo. Al comprender las ventajas del muestreo de suelo, los agricultores pueden tomar decisiones más informadas y mejorar la rentabilidad y la sostenibilidad de sus operaciones agrícolas.

El suelo es uno de los recursos más importantes de nuestro planeta. Es el hogar de millones de microorganismos que forman parte de lo que se conoce como microbiota del suelo. La microbiota del suelo es un conjunto de microorganismos que habitan en el suelo y juegan un papel clave en la salud de las plantas, la calidad del suelo y la sostenibilidad de los ecosistemas.

La microbiota del suelo está compuesta por una amplia variedad de microorganismos, incluyendo bacterias, hongos, virus y protozoos. Estos microorganismos trabajan juntos en una compleja red de interacciones para descomponer la materia orgánica, fijar el nitrógeno, regular la humedad del suelo y mantener la fertilidad del suelo.

La microbiota del suelo está compuesta por una amplia variedad de microorganismos, incluyendo bacterias, hongos, virus y protozoos. Estos microorganismos trabajan juntos en una compleja red de interacciones para descomponer la materia orgánica, fijar el nitrógeno, regular la humedad del suelo y mantener la fertilidad del suelo.

La importancia de la microbiota del suelo para un mundo más sostenible radica en su papel en la salud del suelo y la producción de alimentos. Los microorganismos del suelo son responsables de la degradación de la materia orgánica, lo que ayuda a la liberación de nutrientes esenciales para las plantas. La fertilidad del suelo depende en gran medida de la presencia y actividad de los microorganismos del suelo.

Además, los microorganismos del suelo también juegan un papel importante en la fijación de nitrógeno. La fijación de nitrógeno es el proceso por el cual el nitrógeno atmosférico se convierte en formas utilizables por las plantas. La mayoría de las plantas necesitan nitrógeno para crecer y producir frutos y semillas. La fijación de nitrógeno es un proceso clave en la producción de alimentos y su sostenibilidad a largo plazo.

La microbiota del suelo también es importante para la regulación de la humedad del suelo. Los microorganismos del suelo ayudan a retener la humedad en el suelo, lo que es esencial para el crecimiento de las plantas. Además, la microbiota del suelo también ayuda a prevenir la erosión del suelo, lo que puede ser un problema grave en las zonas agrícolas.

Por último, la microbiota del suelo también juega un papel clave en la mitigación del cambio climático. Los microorganismos del suelo pueden almacenar carbono en el suelo, lo que ayuda a reducir la cantidad de dióxido de carbono en la atmósfera. La restauración y conservación de la microbiota del suelo puede ser una herramienta importante para mitigar los efectos del cambio climático.

En resumen, la microbiota del suelo es esencial para un mundo más sostenible. Los microorganismos del suelo son responsables de la degradación de la materia orgánica, la fijación de nitrógeno, la regulación de la humedad del suelo y la mitigación del cambio climático. La restauración y conservación de la microbiota del suelo es clave para garantizar la salud del suelo y la producción de alimentos sostenibles a largo plazo.