En español
Nuevas tecnologías de agricultura de precisión permiten recolectar información de múltiples variables en gran cantidad de sitios georreferenciados dentro de lotes en producción. El estudio de la variabilidad espacial de las propiedades del suelo y su relación con la variabilidad del rendimiento de los cultivos, es un paso crucial para la agricultura de precisión. La variabilidad espacial de cada variable estudiada es visualizada a través de mapas obtenidos por interpolación geoestadística para cada variable. En este trabajo se ilustra la elaboración de mapas de variabilidad espacial multivariada, es decir teniendo en cuenta las múltiples variables registradas sobre cada sitio simultáneamente. Estos se construyen a partir de variables sintéticas resultantes de la combinación de las variables originales. Las variables sintéticas maximizan la representación de la variabilidad total de los datos, tanto de suelo como de rendimiento. Se evaluó el consenso entre mapas de variabilidad espacial multivariados basados en los algoritmos del análisis de componentes principales, correlaciones canónicas, arboles de regresión-clasificación y análisis de cluster, como herramientas para la obtención de variables sintéticas. Los mapas de variabilidad, basados en variables producidas por algoritmos multivariados, resultaron potentes respecto a su capacidad para identificar ambientes homogéneos dentro de los lotes.
En inglés
New precision agriculture technologies allow collecting information from several variables at many georeferenced sites within crop fields. The study about spatial variability of soil properties and their relationship with crop yield variability is a crucial step in precision agriculture. The spatial variability of each variable is usually viewed through maps generated by geostatistical interpolation. This paper illustrates the mapping of multivariate spatial variability, i.e. taking into account the multiple variables recorded at each site simultaneously. Such maps are built from synthetic variables resulting from the combination of the original ones. These synthetic variables maximize the representation of the total variability of soil and yield data. Principal component, canonical correlations cluster and classification-regression trees based-maps were compared. Multivariate maps were powerful in their ability to identify homogeneous environments within field.