Diseños experimentales a escala de lote para detectar variabilidad espacial de la respuesta de cultivos a la aplicación de insumos

Abstract

La agricultura de precisión supone la existencia de variabilidad espacial de la respuesta de los cultivos a la aplicación de insumos. Los experimentos a escala de lote permiten explorar dicha variabilidad. No obstante, la interacción entre la variabilidad espacial de los factores que controlan la respuesta del cultivo y el diseño experimental aplicado condicionan los resultados. Es necesario identificar diseños experimentales que optimicen la obtención de información fiable de la respuesta de los cultivos. Se evaluaron diseños experimentales a escala de lote con distinta resolución espacial para estimar la variabilidad espacial de la respuesta de un cultivo a la aplicación de insumos. Se simularon patrones espaciales de respuesta como proceso subyacente para generar mapas de rendimiento. Mediante regresión geográficamente ponderada (GWR) se estimaron los patrones de respuesta del cultivo que se compararon con el campo estocástico subyacente. Los resultados indican que los diseños con alta resolución espacial permiten capturar mejor los patrones de variabilidad espacial en un amplio rango de estructuras espaciales consideradas. A su vez, diseños en parcelas tipo tablero de ajedrez superan a los diseños en franjas ya que permiten detectar variabilidad espacial en ambas direcciones. Los resultados son sensibles a la parametrización de GWR, kernel y ancho de banda.

Precision agriculture assumes the presence of spatial variability in crop response to input application. Field-scale experiments allow for exploring such variability. However, the interaction between the spatial variability of factors controlling crop response and the applied experimental design conditions the results. It is necessary to identify experimental designs that optimize the acquisition of reliable information on crop response. Field-scale experimental designs with different spatial resolutions were evaluated to estimate the spatial variability of crop response to input application. Spatial response patterns were simulated as an underlying process to generate yield maps. Geographically weighted regression (GWR) was used to estimate the crop response patterns, which were compared with the underlying stochastic field. The results indicate that designs with high spatial resolution better capture spatial variability patterns across a wide range of considered spatial structures. Additionally, chessboard-type plot designs outperform strip designs as they allow for detecting spatial variability in both directions. The results are sensitive to the parameterization of GWR, kernel, and bandwidth.