Biblioteca Digital de VanguardiaAnálisis de componentes principales con datos georreferenciados : una aplicación en agricultura de precisión
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 e...
| Autores principales: | , , , |
|---|---|
| Formato: | Artículo |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional de Cuyo. Facultad de Ciencias Agrarias
2012
|
| Materias: | |
| Acceso en línea: | http://bdigital.uncu.edu.ar/4485 |
| _version_ | 1782341020345696256 |
|---|---|
| author | Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis |
| author_facet | Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis |
| author_sort | Córdoba, Mariano |
| collection | Repositorio |
| description | 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. |
| format | Artículo |
| id | uncu-4485 |
| institution | Biblioteca Digital - UNCUYO |
| language | Español |
| publishDate | 2012 |
| publisher | Universidad Nacional de Cuyo. Facultad de Ciencias Agrarias
|
| record_format | ojs |
| spelling | uncu-44852012-06-19T11:12:29Z Análisis de componentes principales con datos georreferenciados : una aplicación en agricultura de precisión Principal component analysis with georeferenced data : an application in precision agriculture Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis Córdoba (Argentina) Análisis multivariado Análisis de componentes Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión Análisis geoestadístico 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. New precision agriculture technologies allow collecting information from several variables at many georeferenced locations within crop fields. The spatial covariation of soil properties and crop yield data can be evaluated by principal component analysis (PCA). Nevertheless, PCA has not been explicitly developed for spatial data as other multivariate descriptive methods. Other multivariate techniques that include spatial autocorrelation among data of neighborhood sites have been recently developed. In this paper, we apply and compare two multivariate analyses, PCA and spatially constrained multivariate analysis methods (MULTISPATI-PCA). The latter incorporates the spatial information into multivariate analysis calculating Moran’s index between the data at one location and the mean values of its neighbors. The results showed that MULTISPATI-PCA detected relations in the data that were not detected with PCA. The mapping of spatial variability from the first principal component was similar between PCA and MULTISPATI-PCA, but maps from the second component were different due to the variance correction by spatial autocorrelation. MULTISPATIPCA method represents a crucial tool to map spatial variability within a field, and to identify homogeneous zones in a multivariate sense. Fil: Córdoba, Mariano. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría. Fil: Balzarini, Mónica. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría. Fil: Bruno, Cecilia. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría. Fil: Costa, José Luis. Instituto Nacional de Tecnología Agropecuaria (Argentina). Estación Experimental Agropecuaria Balcarce Universidad Nacional de Cuyo. Facultad de Ciencias Agrarias 78 Revista de la Facultad de Ciencias Agrarias Vol. 44, no. 1 Revista de la Facultad de Ciencias Agrarias, Vol. 44, no. 1 2012-04-02 spa Español http://bdigital.uncu.edu.ar/4482 info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/2.5/ar/ article info:ar-repo/semantics/artículo info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf Universidad Nacional de Cuyo. Facultad de Ciencias Agrarias http://bdigital.uncu.edu.ar/4485 |
| spellingShingle | Córdoba (Argentina) Análisis multivariado Análisis de componentes Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión Análisis geoestadístico Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis Análisis de componentes principales con datos georreferenciados : una aplicación en agricultura de precisión |
| title | Análisis de componentes principales con datos georreferenciados
: una aplicación en agricultura de precisión |
| title_full | Análisis de componentes principales con datos georreferenciados
: una aplicación en agricultura de precisión |
| title_fullStr | Análisis de componentes principales con datos georreferenciados
: una aplicación en agricultura de precisión |
| title_full_unstemmed | Análisis de componentes principales con datos georreferenciados
: una aplicación en agricultura de precisión |
| title_short | Análisis de componentes principales con datos georreferenciados
: una aplicación en agricultura de precisión |
| title_sort | análisis de componentes principales con datos georreferenciados
: una aplicación en agricultura de precisión |
| topic | Córdoba (Argentina) Análisis multivariado Análisis de componentes Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión Análisis geoestadístico |
| url | http://bdigital.uncu.edu.ar/4485 |