Validación de modelos geoestadísticos y convencionales en la determinación de la variación espacial de la fertilidad de suelos del Pacífico Sur de Costa Rica

Abstract

Con el fin de validar los modelos geoestadísticos y convencionales generados a partir de una base de análisis químicos de suelos, se realizó un meta-análisis de los datos y se estimó el semivariograma de mejor ajuste para utilizar el método de interpolación Kriging, que permitió representar la variabilidad espacial de la fertilidad de los suelos, de uso agropecuario, de una parte de la región Pacífico Sur de Costa Rica. Para ello se utilizó una base de datos de análisis químicos de suelos disponible y proveniente de los cantones de Corredores, Golfito y Osa, los cuales están ubicados en la región antes mencionada de Costa Rica. Las áreas que se seleccionaron para el presente estudio, estuvieron dedicadas a los cultivos de palma aceitera, arroz, forestales y otros que fueron denominados como “cultivos varios”. El área está conformada fundamentalmente por suelos de origen aluvial en las partes bajas y suelos más desarrollados en las zonas de piedemonte; dentro del área dominan suelos del orden inceptisol, ultisol, entisol y una pequeña mancha de andisol. Para la investigación se eligieron los valores obtenidos en las variables pH, acidez intercambiable, Ca, Mg, K, P, Zn, Cu, Fe y Mn, a los cuales se les realizó análisis de frecuencias, separaciones de medias, correlaciones y análisis de componentes principales (CP). Posteriormente se interpolaron los valores de las variables elegidas mediante el método de Kriging ordinario, continuadamente se realizaron 4 tipos de validaciones de la interpolación entre estas: validación de campo, validación cruzada y se procedió a calcular los errores para cada validación de las interpolaciones, estos errores se le restaron al valor original de cada observación para generar una nueva interpolación y realizar de nuevo una validación de campo y una validación cruzada. Los resultados de las interpolaciones se analizaron mediante el promedio absoluto del error (PAE), promedio del cuadrado del error (PCE), efectividad de predicción (E) y determinación (r2). Los resultados demostraron un alto coeficiente de variación principalmente para la acidez intercambiable, y los nutrimentos Mg, K, P, Zn, Cu Fe y Mn. El análisis de frecuencia mostró que todos los nutrimentos poseen distribuciones anormales y tendencias entre los percentiles 25 y 75, sin embargo, el pH mostro una distribución normal. Al separar estadísticamente las medias de los valores en los nutrimentos según cada cultivo, se encontró que en los suelos dedicados al cultivo del arroz determinó el mayor contenido de pH (6,0), Ca (26,8 cmol (+) L-1), Mg (10,6 cmol (+) L-1) y Mn (34,2 mg L-1), mientras que los dedicados al cultivo de palma aceitera mostraron mayor concentración en la acidez intercambiable (0,5 cmol (+) L-1), K (0,8 cmol (+) L-1), P (13,1 mg L-1), Zn (2,8 mg L-1) y Fe (99,8 mg L-1) significativamente (α = 0.05). Entre las correlaciones según la prueba de Spearman se encontró relaciones proporcionales entre las bases Ca, Mg, y K y una correlación inversamente proporcional entre el pH y Acidez intercambiable y K y P en los suelos. El resto de manejos tuvieron valores intermedios y muy variables. El análisis de CP explicó un 60.8% de la variación de los nutrimentos en el pacífico sur, donde se encontró una relación entre los cultivos forestales y cultivos varios entre las dimensiones CP1 y CP2, el cual relacionó el comportamiento de K y P con palma aceitera y el pH con Arroz. En las dimensiones CP2 y CP3 mostró una relación de Fe y Cu con palma aceitera y pH con cultivos varios. Se determinó que la acidez, pH y los contenidos de Mg y K asimilable, se relacionaron fuertemente de acuerdo al manejo nutricional que es característico de cada cultivo y particularmente el contenido de Ca, dependió principalmente a la génesis del suelo. La validación de las interpolaciones en los nutrimentos determinó que los parámetros PAE, PCE, E y r2 mostraron mayor precisión al restar el error de las interpolaciones, mejorándose sustancialmente la predicción. Por otro lado, la validación cruzada, luego de restar los errores de interpolación, mostró el mejor ajuste de interpolación en comparación a validación de campo y ambas validaciones, mejor estimación que sin la resta de los errores en la distribución de nutrimentos en los suelos aluviales de la costa del Pacifico Sur. Se concluye que la información de los mapas construidos a partir de las interpolaciones realizadas, representó de muy buena manera la variabilidad espacial nivel regional de las variables evaluadas, lo cual confirma que esta herramienta es funcional para trabajos importantes en el desarrollo de diagnóstico de problemas de nutrimentos en los suelos o bien condiciones de fertilidad para la región de estudio y otras regiones donde se cuente con información de suelos espacialmente referenciada.

Land Suitability Analysis for Potato Crop in the Jucusbamba and Tincas Microwatersheds (Amazonas, NW Peru): AHP and RS–GIS Approach

“…An attempt was made to overcome this difficulty by generating larger-scale soil maps through field sampling and the application of geostatistics. Like other studies on the suitability of the territory for the cultivation of potato [21,22] or other crops [25,27,29,30,32], geostatistics were applied, being among the most suitable interpolation methods for the estimation of soil properties [32,72].…”

“…For Tashayo et al [29,30], Gaussian was also the best fit model, while for Ostovari et al [25] and Pilevar et al [27], it was Spherical. Although OK is the most widely used method and several studies [21,27,29,30,72] have reported that it is the best for mapping soil characteristics, Li et al [73] noted that it has a smoothing effect and tends to neglect local variability. In this regard, the Regression Kriging (RK) and other more advanced methods take advantage of the spatial information of environmental covariates and exceed OK [73,74].…”

Mapeo Digital de Suelos Agrícolas en la Región Occidental del Valle Central de Costa Rica

“…También se realizó el proceso de validación para corroborar la consistencia de la incertidumbre asociada a cada modelo (Villatoro et al 2008, Garbanzo-León et al 2017. Se evaluó la autocorrelación espacial de los residuos de cada modelo para la realización del krigaje de los mismos.…”

“…La cartografía de propiedades de suelos se ha construido mediante distintas técnicas de análisis espacial, cada una con fortalezas y limitaciones metodológicas, se pueden citar algunos ejemplos donde se utilizaron los métodos: geoestadísticos (Henríquez et al 2005, Henríquez et al 2013, Pravat et al 2016, Garbanzo et al 2017, determinísticos (Villatoro et al 2008, Fortis-Hernández et al 2010, árboles de regresión (Scull et al 2005, Taghizadeh-Mehrjardi et al 2014) y machine learning (Brungard et al 2015, Heung et al 2016. No existe una técnica de modelización que pueda considerarse superior a otra, cada una puede o no funcionar mejor en contextos diferentes.…”

Variabilidad espacial del pH y del contenido de Fe2O3 en suelos de la cuenca del río Tabure del Estado Lara

“…Para comprobar la normalidad se realizó la prueba de bondad de ajuste de Shapiro-Wilks (Razali y Wah, 2011), para el pH arrojó un valor para el estadístico W= 0,888 y un valor de p-value = 1.769e-05, mientras que para la variable Fe 2 O 3 se obtuvo el estadístico W = 0,916 y un valor de p-value = 0.0002254, con lo cual se concluyó que los datos no seguían una distribución normal con nivel de significancia de 0,05, Young et al, (1998) señalan que la mayoría de las propiedades químicas de los suelos son sesgadas, también Webster y Oliver (2007) señalan que la semivarianza es más sensible a las distribuciones asimétricas de los datos y a la presencia de valores anómalos y/o extremos entre ellos, por tal razón se prefirió eliminar valores anómalos que hacer otra manipulación de los datos. Garbanzo et al, (2017) al realizar un meta-análisis de datos de variables químicas de suelos de una amplia área en Costa Rica, encontraron en el caso del pH la mayor cantidad de rangos de las frecuencias en torno a la media y una distribución de probabilidad normal mientras que para el caso del hierro la distribución no fue normal, cuyas variaciones pueden estar asociadas a procesos de oxidación reducción en ambientes aluviales, otros elementos como Ca, Mg y K presentaron todas distribuciones anormales, éste comportamiento se explica debido al manejo agronómico y a la génesis de los suelos. El área del presente estudio corresponde a un área de parque protegido es decir, sus condiciones son naturales con poco grado de intervención humana, donde el relieve y la geología subyacente determinan en gran parte las variaciones químicas resultantes de la pedogénesis.…”