| Sumario: | La utilización de nuevas tecnologías
asociadas a la agricultura de precisión permite
capturar información de múltiples variables
en gran cantidad de sitios georreferenciados
dentro de lotes en producción. Las covariaciones
espaciales de las propiedades
del suelo y el rendimiento del cultivo
pueden evaluarse a través del análisis de
componentes principales clásico (PCA). No
obstante, como otros métodos multivariados
descriptivos, el PCA no ha sido desarrollado
explícitamente para datos espaciales.
Nuevas versiones de análisis multivariado
permiten contemplar la autocorrelación
espacial entre datos de sitios vecinos. En este
trabajo se aplican y comparan los resultados
de dos técnicas multivariadas, el PCA y
MULTISPATI-PCA. Este último incorpora la
información espacial a través del cálculo del
índice de Moran entre los datos de un sitio y el
dato promedio de sus vecinos. Los resultados
mostraron que utilizando MULTISPATI-PCA
se detectaron correlaciones entre variables
que no fueron detectadas con el PCA. Los
mapas de variabilidad espacial construidos
a partir de la primera componente de
ambas técnicas fueron similares; no así
los de la segunda componente debido a
cambios en la estructura de co-variación
identificada, al corregir la variabilidad por
la autocorrelación espacial de los datos. El
método MULTISPATI-PCA constituye una
herramienta importante para el mapeo de
la variabilidad espacial y la identificación de
zonas homogéneas dentro de lotes.
|
|---|
Biblioteca Digital de Vanguardia