Modelación de la variación espacial de variables edáficas y su aplicación en el diseño de planes de muestreo de suelos

Abstract

El análisis estadístico de la variabilidad espacial de propiedades edáficas en suelos con laboreo agrícola puede realizarse con métodos geoestadísticos clásicos, pero también con métodos más contemporáneos como los modelos lineales mixtos (MLM) y los métodos multivariados de análisis espacial (MULTISPATI-PCA). El objetivo de esta tesis fue la evaluación de métodos para el estudio de la variabilidad espacial de características de suelo en la Región Semiárida Argentina y su aplicación en el diseño de planes de muestreo. Los datos fueron relevados considerando la escala más fina (lote) en dos sistemas de manejo, labranza convencional (LC) y siembra directa (SD), y dos profundidades de muestreo (0-5 cm y 5-10 cm). Se realizaron análisis de las fracciones texturales, fósforo disponible (P), materia orgánica (MO) y nitrógeno total (N). Para la investigación metodológica se computaron simulaciones no condicionales basada en las estimaciones de los parámetros obtenidas a partir de datos reales. Las variables P, MO y N mostraron variabilidad espacial bajo LC independientemente de la profundidad del muestreo. Con la escala utilizada no fue posible describir variabilidad espacial de las fracciones texturales. En SD también se pudo caracterizar la variabilidad espacial de las propiedades químicas y se encontraron diferencias marcadas entre las profundidades. La estimación de los parámetros para caracterizar la variabilidad espacial fue menos precisa y menos eficiente con los métodos geoestadísticos clásicos que con MLM. La estimación máximo verosímil presentó mejor desempeño que la estimación máximo verosímil residual. Con MULTISPATI-PCA se explicó la distribución espacial en sentido multivariado. Respecto al diseño de muestreo se generaron recomendaciones según el interés fuese caracterizar la distribución de variables edáficas vía promedios y varianza total o la descripción espacial de la variabilidad. En el primer caso, con un tamaño muestral de 10 puntos se pueden obtener estimaciones precisas (menor sesgo), y con 30 puntos las estimaciones fueron también eficientes (con baja varianza). En el segundo caso, será necesario trabajar con 100 o más puntos de muestreos. Si se utiliza un diseño sistemático, la distancia entre los puntos debe ser próxima a la mitad del rango. En caso de no conocer la posible estructura espacial, se pueden realizar estimaciones a través de análisis basados en diseños anidados o bien realizar un profuso diseño aleatorio simple.

The statistical analysis of spatial variability of soil properties in agricultural soils can be performed with classical geostatistical meth ods, but also more contemporary methods such as linear mixed models (MLM) and multi variate methods of spatial analysis can be applied (MULTISPATI-PCA). The objective of t his thesis was the evaluation of methods for the study of spatial variability, its a pplication in soil characteristics in semiarid region of Argentina and the design of soil sampling plans. Data were collected considering the smallest scale (field) under two soil managemen t systems, conventional tillage (LC) and no tillage (SD) and two depths (0-5 cm and 5-10 cm). Textural fractions, phosphorus available (P), organic matter (MO) and total nitrog en (N) analysis were performed. For methodological research spatial data were computed by non-conditional simulation, using as parameters the estimates obtained from real data . The variables P, MO and N showed spatially variability under LC regardless of the de pth of sampling. At the scale used it was not possible to describe spatial variability of tex tural fractions. In SD the spatial variability of the chemical variables could also be described a nd marked differences between depths were found. The estimation of the parameters charac terizing the spatial variability obtained through traditional geostatistical methods were les s accurate and efficient than those obtained by MLM. The maximum likelihood estimation revealed better performance than the residual maximum likelihood estimation. With th e use of MULTISPATI-PCA the spatial distribution in multivariate sense could be explained. Regarding the sampling design, recommendations were generated according if the main interest was to characterize the soil variables via average and total variance o r to characterize the spatial variability. In the first case, with a sample size of 10 points acc urate estimations can be obtained, and with a sample size of 30 points the estimations are also efficient. In the second case, it will be necessary to work with sample sizes of 100 or mo re sampling points. For a systematic design the distance between the sampling points sho uld be close to range. In case of not having prior knowledge of the spatial structure, it is possible to make estimations of the range through analysis based on nested designs or m ake a profuse simple random design.