Metodología geoespacial para procesar la composición química de un suelo destinado a la producción de zanahoria (Daucus carota), mediante diferentes herramientas software

Valentina Ramírez Loaiza

Universidad de Ciencias Ambientales y Aplicadas Facultad, Ciencias agropecuarias Programa de Ingeniería agronómica Bogotá D.C, Colombia

Noviembre, 2024

Metodología geoespacial para procesar la composición química de un suelo destinado a la producción de zanahoria (Daucus carota), mediante diferentes herramientas software

Valentina Ramírez Loaiza

Trabajo presentado como requisito para optar al título de: Ingeniero (a) agrónomo(a)

Director (a):

Helber Milton Orjuela Mata Docente Ciencias Agropecuarias Ingeniero Agrícola. Magister en Ingeniería- Ingeniería Agrícola

Codirector (a):

Danny Sanjuanelo Docente Departamento de Ciencias Exactas y Naturales Ingeniero Agrónomo. Especialización en Docencia

Línea de Investigación:

Tecnologías digitales Producción agrícola sostenible Universidad de Ciencias Ambientales y Aplicadas Facultad, Ciencias agropecuarias Programa de Ingeniería agronómica Bogotá D.C, Colombia Noviembre, 2024

Nota de aceptación:

Aprobado por el Comité de Programa en cumplimiento de los requisitos exigidos por el Acuerdo Superior N° 11 de 2017 y Acuerdo Académico N° 41 de 2017 para optar al título de Ingeniería agronómica

Jurado

Jurado

Bogotá, __Día__ de _Mes__de ___Año_____

Dedicatoria

A Dios por guiarme en este proceso académico y brindarme la fortaleza de perseverar. A mis padres Stella y César, quienes me inculcaron el valor del trabajo y estudio. Gracias a su dedicación y esfuerzo me brindaron la oportunidad de tener una educación de calidad, lo que hace este logro posible. A mi hermana Vanessa, por su apoyo y palabras de aliento, gracias por ser un pilar fundamental en la construcción de la persona que soy. A Diego, mi novio, que me acompañó en todo este proceso y siempre me motivó por este camino de la investigación.

Agradecimientos

Quiero expresar mi más sincero agradecimiento a los profesores Helber y Danny por sus valiosos conocimientos, paciencia y constante apoyo, los cuales fueron indispensables para la culminación de este trabajo.

También, agradezco a todos los profesores que, con su dedicación y enseñanza, despertaron en mí una pasión por la carrera.

Agradezco a la Universidad de Ciencias Aplicadas y Ambientales U.D.C.A, por proporcionarme los materiales para lograr ejecutar el proyecto. De igual forma, a la Asociación Colombiana de Facultades con Programas de Ingeniería Agronómica A.C.O.F.I.A, quienes, junto con la Universidad, me permitieron participar en el IX Seminario Internacional de Agroforestería, “Agroforestería, Presente y Futuro de los Sistemas Productivos Agrarios”, donde tuve el honor de exponer este trabajo de grado. Agradezco a todas las personas que, de manera directa o indirectamente, contribuyeron en este proceso.

Finalmente, quiero agradecerme a mí por no desistir y por mantener la disciplina y actitud necesarias para lograr mis objetivos. Gracias por confiar en mis habilidades y conocimientos.

RESUMEN

En la gestión agronómica de los sistemas agroalimentarios, es fundamental considerar el entorno como un sistema interconectado que impacta en el rendimiento de los cultivos. El suelo, actúa como un enlace entre las interacciones de la superficie terrestre y la atmósfera. Comprender su variabilidad espacial es importante para gestionarlo de manera eficiente según las necesidades del cultivo. En este contexto han surgido metodologías que con base en la geoestadística analizan y mapean dicha variabilidad en grandes extensiones, con el propósito de tomar decisiones justificadas dentro del manejo. Por lo tanto, el propósito de este trabajo de investigación fue proponer una metodología geoespacial de la composición química de una parcela experimental de zanahoria (Daucus carota), gestionada agroecológicamente en la Sabana de Bogotá. El estudio se llevó a cabo en la Universidad de Ciencias Aplicadas y Ambientales (U.D.C.A), en el jardín experimental agroforestal (Bloque P). La metodología consistió en la evaluación geoespacial del nitrógeno, fósforo y potasio, junto con el parámetro de humedad volumétrica. La recolección de los datos fue según una malla de muestreo durante tres momentos. Además, se realizó la captura de imágenes dron con cámara RGB para la construcción de los índices de vegetación GRVI y GLI. La información recolectada fue procesada mediante el software estadístico R y la interfaz de RStudio, en donde se utilizó metodologías de procesamientos geoestadístico como la técnica de interpolación Kriging Ordinario. También se implementaron herramientas como QGIS para integrar gráficamente los mapas de contorno con los índices de vegetación. El análisis identificó una baja variabilidad espacial en las propiedades químicas del suelo; sin embargo, si se evidenció una correlación entre las variables N,P y K, evidenciada en los correlogramas, los mapas de contorno y semivariogramas. Los índices de vegetación reflejaron la humedad del suelo y la cobertura vegetal, sugiriendo un posible estrés hídrico de las plantas, lo que se reflejó en los mapas de integración gráfica.

Palabras Claves: geoestadística, variabilidad espacial, Kriging Ordinario, índices de vegetación, integración gráfica, zanahoria

ABSTRACT

In the agronomic management of agri-food systems, it is essential to consider the environment as an interconnected system that impacts crop yield. The soil acts as a link between the interactions of the earth's surface and the atmosphere. Understanding its spatial variability is important to manage it efficiently according to the needs of the crop. In this context, methodologies have emerged that, based on geostatistics, analyze and map this variability in large areas, with the purpose of making justified decisions within management. Therefore, the purpose of this research work was to propose a geospatial methodology for the chemical composition of an experimental plot of carrot (Daucus carota), managed agroecologically in the Bogotá Savannah. The study was carried out at Universidad de Ciencias Aplicadas y Ambientales (U.D.C.A), in the experimental agroforestry garden (Block P). The methodology consisted of the geospatial evaluation of nitrogen, phosphorus and potassium, together with the volumetric humidity parameter. Data collection was carried out according to a sampling grid for three moments. In addition, drone images were captured with an RGB camera for the construction of the GRVI and GLI vegetation indexes. The collected information was processed using the R statistical software and the RStudio interface, where geostatistical processing methodologies such as the Ordinary Kriging interpolation technique were used. Tools such as QGIS were also implemented to graphically integrate the contour maps with the vegetation indexes. The analysis identified a low spatial variability in the chemical properties of the soil; however, a correlation was evident between the variables N, P and K, as evidenced by the correlograms, contour maps and variograms. The vegetation indexes reflected soil moisture and vegetation cover, suggesting a possible water stress of the plants, which was reflected in the graphic integration maps.

Keywords: Geostatistics, spatial variability, Ordinary Kriging, vegetation indexes, graphical integration, carrot.

CONTENIDO

Agradecimientos __________________________________________________________ 5

RESUMEN ______________________________________________________________ 1

ABSTRACT _____________________________________________________________ 2

CONTENIDO ____________________________________________________________ 3

LISTA DE FIGURAS _____________________________________________________ 6

LISTA DE TABLAS ______________________________________________________ 9

LISTA DE SÍMBOLOS Y/O GLOSARIO ____________________________________ 10

1.

INTRODUCCIÓN __________________________________________________ 12

2.

OBJETIVOS ______________________________________________________ 15

2.1.

General _________________________________________________________ 15

2.2.

Específicos ______________________________________________________ 15

3.

MARCO TEÓRICO Y ANTECEDENTES ______________________________ 16

3.1.

Zanahoria (Daucus carota) __________________________________________ 16

3.1.1.

Origen y taxonomía ___________________________________________ 16

3.1.2.

Botánica ____________________________________________________ 16

3.1.3.

Condiciones edafoclimáticas ____________________________________ 18

3.2.

Manejo del cultivo de zanahoria _____________________________________ 19

3.2.1.

Establecimiento y preparación del terreno __________________________ 20

3.2.2.

Siembra _____________________________________________________ 20

3.2.3.

Labores del cultivo ____________________________________________ 21

3.2.4.

Riego _______________________________________________________ 21

3.2.5.

Fertilización _________________________________________________ 22

3.2.6.

Ubicación y rendimiento _______________________________________ 23

3.3.

Variabilidad en las propiedades de los suelos ___________________________ 24

3.4.

Propiedades químicas del suelo: _____________________________________ 25

3.5.

Mineralización: __________________________________________________ 26

3.6.

Humedad en el suelo ______________________________________________ 28

3.7.

Estadística espacial _______________________________________________ 29

3.7.1.

Geoestadística ________________________________________________ 30

3.7.1.1.

Supuestos ________________________________________________ 31

3.7.2.

Predicción ___________________________________________________ 32

3.7.2.1.

Análisis estructural ________________________________________ 32

3.7.2.1.1. Semivariograma experimental (SE) __________________________ 32

3.7.2.1.2. Semivariograma teórico (ST) _______________________________ 33

3.7.2.2.

Interpolación _____________________________________________ 37

3.7.2.2.1. Método de ponderación de distancia inversa (IDW) _____________ 37

3.7.2.2.2. Kriging Ordinario ________________________________________ 38

3.7.3.

Validación cruzada ____________________________________________ 40

3.7.3.1.

Validación cruzada dejando uno a fuera ( Leave-one-out cross-validation,

LOOCV) 40

3.7.3.2.

Errores de predicción ______________________________________ 41

3.8.

Teledetección vegetal _____________________________________________ 42

3.8.1.

Índices de vegetación __________________________________________ 43

3.8.1.1.

Green Red Vegetation Index (GRVI) __________________________ 43

3.8.1.2.

Green Leaf Index (GLI) ____________________________________ 44

4.

MATERIALES Y MÉTODOS ________________________________________ 45

4.1.

Localización _____________________________________________________ 45

4.2.

Manejo del cultivo ________________________________________________ 46

4.3.

Recolección y captura de datos en campo ______________________________ 52

4.4.

Metodología por objetivos específicos ________________________________ 56

4.4.1.

Objetivo específico 1 __________________________________________ 56

4.4.2.

Objetivo específico 2 __________________________________________ 66

4.4.3.

Objetivo específico 3 __________________________________________ 69

5.

RESULTADOS ____________________________________________________ 71

5.1.

Objetivo 1 ______________________________________________________ 71

5.2.

Objetivo 2 ______________________________________________________ 82

5.3.

Objetivo 3 ______________________________________________________ 84

6.

DISCUSIÓN ______________________________________________________ 85

6.1.

Estado inicial del suelo ____________________________________________ 85

6.2.

Variabilidad espacial e interpolación con la técnica Kriging ordinario (KO) ___ 86

7.

CONCLUSIONES __________________________________________________ 92

8.

RECOMENDACIONES _____________________________________________ 93

8.1.

Objetivo general __________________________________________________ 93

8.2.

Objetivo específico 1 ______________________________________________ 93

8.3.

Objetico específico 2 ______________________________________________ 94

8.4.

Objetivo específico 3 ______________________________________________ 94

9.

BIBLIOGRAFÍA ___________________________________________________ 95

10.

ANEXOS ________________________________________________________ 108

LISTA DE FIGURAS

Figura 1. Inflorescencia compuesta. _________________________________________ 17 Figura 2. Hojas compuestas pinnadas. _______________________________________ 17 Figura 3. Tallo vegetativo._________________________________________________ 17 Figura 4. Raíz central de almacenamiento. ____________________________________ 18 Figura 5. Condiciones edafoclimáticas requeridas para el adecuado desarrollo del cultivo de zanahoria. ______________________________________________________________ 18 Figura 6. Actividades generales en el establecimiento del cultivo de zanahoria (Daucus carota). ________________________________________________________________ 19 Figura 7. Esquema del sistema de siembra empleado en el cultivo de zanahoria (Daucus carota). ________________________________________________________________ 20 Figura 8. Sistemas de siembra mediante plántula empleado en el cultivo de la zanahoria. a. Lineal. b. Camellones simples. c. Camellones dobles. d. Camellones en mesa con dos hileras de plantas. e. Camellones en mesa con tres hileras de plantas ______________________ 21 Figura 9. Esquema de los procesos para el ciclado de material fresco y captura de nutrientes. ______________________________________________________________________ 26 Figura 10. Representación gráfica del semivariograma experimental (SE) y teórico (ST). Los puntos representan el SE y la línea sobre estos es el ST. __________________________ 34 Figura 11. Modelos teóricos implementados en los semivariogramas. _______________ 35 Figura 12. Representación gráfica del modelo Esférico, exponencial y Gaussiano. _____ 36 Figura 13. Modelo de semivarianza teórico para variables sin correlación espacial. ____ 36 Figura 14. Estimación de Kriging ordinario (KO) de la ubicación de interés x0, a partir de puntos de muestra espaciado irregularmente (puntos negros) ______________________ 39 Figura 15. Temperatura máxima, mínima y promedio registrada por la herramienta informática CLIMET PLUS en la sede “Jardín Forestal” de la Universidad de Ciencias Aplicadas y Ambientales U.D.C.A ___________________________________________ 45 Figura 16. Distribución de siembra. *51 días después de la siembra*. _______________ 46 Figura 17. Diagrama de flujo de la metodología realizada para la recolección de datos. _ 52 Figura 18. Distribución de los puntos de muestreo dentro del polígono de la parcela experimental, en azul el polígono agroecológico. _______________________________ 53 Figura 19. Captura de datos. a. Partes del sensor genérico portátil modelo 4001-BXSZD

versión 1.0. b. Recolección de datos en campo. _________________________________ 54 Figura 20. Planificación del vuelo en la aplicación DroneDePloy. a. Trazo del polígono y rutas de vuelo. b. Parámetros predeterminados para la ejecución del vuelo. ___________ 55 Figura 21. Diagrama general de la metodología implementada en el objetivo específico 1. ______________________________________________________________________ 56 Figura 22. Distribución de la base de datos para procesamientos geoestadísticos. ______ 57 Figura 23. Ortomosaico del momento 1 de procesamiento, elaborado con la aplicación OpenDroneMap (ODM). __________________________________________________ 58 Figura 24. Diagrama de flujo de la metodología implementada para el procesamiento de los datos en el software R. ____________________________________________________ 59 Figura 25. Semivariograma experimental (SE) del parámetro nitrógeno (N) en el momento

1. _____________________________________________________________________ 61

Figura 26. Representación del ST (línea) y el SE (puntos). _______________________ 62 Figura 27. Mapas obtenidos por la interpolación de Kriging ordinario (KO) del parámetro nitrógeno (N) en el momento 1. a. Mapa de contorno. b. Mapa de varianza. __________ 63 Figura 28. Esquema implementado para la selección del modelo más adecuado por parámetro. ______________________________________________________________ 65 Figura 29. Diagrama de flujo de las actividades ejecutadas en el objetivo específico 2. _ 66 Figura 30. Recorte del ortomosaico correspondiente al polígono de la zona gestionada bajo un enfoque agroecológico para el momento 1. __________________________________ 67 Figura 31. Mapas Green Red Index (GRVI) y Green Leaf Index (GLI) del área gestionada agroecológicamente, obtenidos en el software Rstudio para el momento 1. ___________ 68 Figura 32. Diagrama de flujo de las actividades desarrolladas en el objetivo específico 3. 69 Figura 33. Integración grafica entre el GRVI y el mapa de contorno del modelo Gaussiano para la variable nitrógeno (N) en el momento 1. ________________________________ 70 Figura 34. Comparación en el ajuste del ST al SE. a. Modelo Bessel. b. Modelo Gaussiano.

c. Modelo Hole. _________________________________________________________ 73

Figura 35. Comparación de los mapas de contorno y varianza. a. y b. Modelo Bessel. c. y d. Modelo Gaussiano. e. y f. Modelo Hole. ______________________________________ 74 Figura 36. Comparación de los gráficos que representan la distribución de valores experimentales (SE) y ajuste modelo teórico (ST) en el momento 1. a. Nitrógeno (N). b.

Fósforo (P). c. Potasio (K). _________________________________________________ 76 Figura 37. Comparación de los gráficos que representan la distribución de valores experimentales (SE) y ajuste modelo teórico (ST) para los parámetros N,P y K en el momento

2. a. Nitrógeno (N). b. Fósforo (P). c. Potasio (K). ______________________________ 76

Figura 38. Pares de puntos generados por el semivariograma experimental (SE) en Rstudio para el momento 1. a. Nitrógeno (N). b. Fósforo (P) c. Potasio (K). _________________ 77 Figura 39. Pares de puntos generados por el semivariograma experimental (SE) en Rstudio en el momento2. a. Nitrógeno (N). b. Fósforo (P) c. Potasio (K). ___________________ 77 Figura 40. Representación gráfica de la independencia espacial del nitrógeno (N) para el momento 3. a. Mapa de contorno o interpolación. b. Mapa de varianza de la interpolación. ______________________________________________________________________ 77 Figura 41. Representación gráfica de varianza de la interpolación para la variable potasio (K). a. Modelo Hole en el momento 1. b. Modelo Gaussiano en el momento 2.________ 80 Figura 42. Modelo Gaussiano ajustado al semivariograma experimental (SE). ________ 80 Figura 43. Pares de puntos generados por el semivariograma experimental (SE).. a. Momento 1. b. Momento 3. ________________________________________________ 81 Figura 44. Mapas de contorno de la variable humedad volumétrica (HV). a. Momento 1. b. Momento 2. _____________________________________________________________ 81 Figura 45. Mapa Green Red Vegetation Index (GRVI) para el momento 1 de procesamiento. ______________________________________________________________________ 82 Figura 46. Mapa Green Leaf Index (GLI) para el momento 3 de procesamiento. ______ 83 Figura 47. Reed Green Vegetation Index (GRVI) de la variable humedad volumétrica en el momento 1. _____________________________________________________________ 84 Figura 48. Línea de tiempo que contrasta las actividades realizadas en el cultivo, el ciclo fenológico del cultivo y los mapas de contorno por variable analizado. ______________ 89

LISTA DE TABLAS

Tabla 1. Descripción botánica de la planta de zanahoria (Daucus carota) ____________ 17 Tabla 2. Requerimiento nutricional de la zanahoria. _____________________________ 22 Tabla 3. Requerimientos nutricionales del cultivo de zanahoria (Daucus carota) según los días después de emergencia de la planta. ______________________________________ 23 Tabla 4. Descripción del nitrógeno, fósforo y potasio en el suelo. __________________ 27 Tabla 5. Coeficientes que conformar el semivariograma teórico. ___________________ 33 Tabla 6. Componentes del Bocashi y su aporte al suelo.__________________________ 47 Tabla 7. Aporte nutricional del Bocashi. ______________________________________ 48 Tabla 8. Composición y cantidades de los ingredientes utilizados en la elaboración de los insumos agroecológicos: Biol e hidrolato. _____________________________________ 50 Tabla 9. Actividades realizadas en la parcela experimental de zanahoria. ____________ 50 Tabla 10. Esquema implementado para la determinación del grado de dependencia espacial (GDS) y la Incidencia de la interpolación de Kriging (IKI). Nug: efecto nugget o pepita puro; Bes: Bessel; Hol: Hole; Gau: Gaussiano; DNA: no aplica. _______________________ 64 Tabla 11. Esquema implementado para la agrupación de los resultados por parámetro que se tuvo en cuenta. *En la imagen está representado uno de los modelos teóricos propuesto para el parámetro de potasio (K) del momento 1. ___________________________________ 65 Tabla 12. Resultado de análisis de suelo correspondiente a la parcela experimental.____ 71 Tabla 13. Correlogramas de las variables N, P y K en los tres momentos de procesamiento ______________________________________________________________________ 72 Tabla 14. Modelos seleccionados por variable en los tres momentos de evaluación. ____ 75 Tabla 15. Mapas de contorno de las variables N, P y K para la Fase 1 y Fase 2. _______ 79

LISTA DE SÍMBOLOS Y/O GLOSARIO

• Caballos fuerza – Horse Power (HP): unidad de medida que se utiliza para indicar la potencia que produce un motor de un vehículo o máquina.

• Carbono orgánico (CO): cantidad de carbono que se encuentra en las sustancias orgánicas. • Centímetro (cm): unidad de medida de longitud.

• Conductividad eléctrica (CE): flujo de corriente eléctrica a través del suelo. • Error Absoluto Medio (MAE): medida de la precisión de un modelo o predicción. Determina los errores absolutos entre las predicciones de un modelo y los valores reales. • Error Cuadrático Medio (RMSE): medida de la precisión de un modelo o predicción. Determina la magnitud promedio del error entre los valores predichos de un modelo y los reales.

• Error Porcentual Absoluto Medio (MAPE): medida de la precisión de un modelo o predicción. Mide el error porcentual entre los valores predichos por un modelo y los reales. • Fósforo (P): elemento químico que conforma los organismos vivos y hace parte de los procesos biológicos. En el suelo es un nutriente esencial para el crecimiento de las plantas. • Grado de Dependencia Espacial (GDS): concepto utilizado en estadística espacial para describir la relación entre los valores de una variable con respecto a su ubicación dentro de un área.

• Grados Celsius (°C): unidad de medida de la temperatura en relación con el punto de congelación y ebullición del agua.

• Green Leaf Index – Índice de Hojas Verdes (GLI): índice de vegetación que determina la cobertura vegetal de la superficie terrestre.

• Green Red Vegetation Index – Índice de Vegetación Verde-Rojo (GRVI): índice de vegetación que determina la cobertura vegetal de la superficie terrestre. • Hectárea (ha): unidad de medida de área.

• Humedad volumétrica (HV): medida de la cantidad de agua presente en el suelo en relación con el volumen total del suelo.

• Índice de vegetación (IV): herramienta matemática que cuantifica la cantidad y el estado de la vegetación en un área determinada.

• Kriging Ordinario (KO): técnica de interpolación geoespacial. • Milímetro (mm): unidad de medida de longitud.

• Nitrógeno (N): elemento químico que conforma los organismos vivos y hace parte de los procesos biológicos. En el suelo es un nutriente esencial para el crecimiento de las plantas.

• Partes por millón (ppm): unidad de medida que expresa concentraciones de una sustancia dentro de una mezcla.

• Potasio (K): elemento químico que conforma los organismos vivos y hace parte de los procesos biológicos. En el suelo es un nutriente esencial para el crecimiento de las plantas. • Revoluciones por minuto (rpm): unidad de medida que expresa la velocidad de rotación de un objeto.

• Semivariograma experimental (SE): herramienta utilizada en estadística espacial para analizar la dependencia espacial de una variable.

• Semivariograma teórico (ST): representación del comportamiento del semivariograma experimental, mediante un modelo matemático.

• Tonelada (ton): unidad de medida de masa o peso.

• Vehículos aéreos no tripulados (UAV): aeronaves que operan sin la necesidad de una persona a bordeo, son controlados de manera remota o autónoma.

1. INTRODUCCIÓN

En la actualidad, a pesar del surgimiento y persistencia de problemáticas como el aumento progresivo de la población, el impacto en la seguridad alimentaria y la pobreza, el cambio climático se ha convertido en un tema central de preocupación. El planeta ha enfrentado condiciones climáticas extremas en las décadas recientes, que fluctúan desde sequías drásticas hasta lluvias devastadoras, las cuales han amenazado diversos sectores productivos. Entre los más afectados se encuentra la agricultura, haciendo necesario desarrollar nuevas estrategias que implementen tecnologías y prácticas sostenibles dentro de los sistemas productivos de alimentos. Estas estrategias buscan conservar los recursos naturales, y, también potenciar la producción de una manera eficiente (Sharma et al., 2021). La Agricultura Digital (AD) es una alternativa tecnológica que busca aumentar la eficiencia, la productividad y la sostenibilidad de los sistemas de producción. Esto a través de prácticas que transformen la forma de producción de alimentos y la gestión de recursos (Brini, 2023). En este contexto, la agricultura de precisión (AP) emerge como un conjunto de conocimientos y herramientas tecnológicas, que combinan alternativas como Internet de las Cosas (IoT), Inteligencia Artificial (IA), Análisis de Datos (Big Data), Sistemas de Información Geográfica (SIG) y dispositivos autónomos o semi-autónomos, como los Vehículos Aéreos No Tripulados (UAV), las cuales al integrarse permiten desde la recolección de los datos hasta el procesamiento y análisis de la información, facilitando así la gestión y la toma de decisiones informadas (Ge et al., 2011; Shafi et al., 2019; Sharma et al., 2021).

Por lo anterior, el ambiente es un sistema con entradas y salidas, conformado por las interacciones en los ecosistemas que lo conforman y su entorno. Es por esto, que el sistema productivo de alimentos es esencial abordarlo con una visión amplia e integral, debido a que es el resultado de una serie de ecosistemas autocorrelacionados. Al procesar y analizar datos de este tipo de sistemas, es fundamental entender que los datos pueden estar correlacionados entre sí. Por esta razón, la estadística espacial se convierte en la base para realizar estos análisis, ya que la estadistica clásica, se fundamenta en el supuesto de que los datos no están relacionados, por lo que estas metodologías pueden quedar limitadas desde el punto de vista

de análisis realistas (Bohorquez, 2022). La estadística espacial se compone de tres ramas: geoestadística, datos de áreas y procesos espaciales puntuales. La geoestadística abarca métodos destinados a un conjunto de datos espaciales con variaciones continuas y se caracteriza por describir las correlaciones entre los puntos muestreados y generar predicciones en lugares no muestreados (Bohorquez, 2022; Giraldo Henao, 2011). En la agricultura, la geoestadística es utilizada para desarrollar metodologías aplicadas a la delimitación de áreas en el control de enfermedades, el análisis de la contaminación de suelos y la evaluación de aspectos relacionados con la entomología, nematología y fertilidad del suelo (Vargas Diaz et al., 2023). Alrededor del mundo, se han generado investigaciones que aplican técnicas de interpolación geoespaciales para estudiar la variabilidad espacial de las propiedades físicas y químicas del suelo, en grandes extensiones(Ballabio et al., 2016; Blanchet et al., 2017; Bogunovic et al., 2014; GAO et al., 2019; X. Liu et al., 2009; Pham et al., 2019; Tiruneh et al., 2021; Tola et al., 2017; Yana et al., 2000; Zhuo et al., 2019). Los resultados de esas investigaciones son utilizados para mapear la distribución de los parámetros y así ser utilizados para la elaboración de planes agrícolas que consideren la variabilidad espacial de las propiedades del suelo y acorde a esto desarrollen manejos específicos que se traduzcan en un ahorro de esfuerzo e inversión (Abdel Rahman et al., 2021). Sin embargo, dichas metodologías son poco aplicadas a áreas de extensiones de menores proporciones.

Este trabajo de grado tiene como objetivo proponer una metodología de integración gráfica de la composición química de una parcela experimental de zanahoria (Daucus carota), utilizando imágenes de dron y diversas herramientas software de procesamiento. La metodología se centró en determinar la variación espacial de los nutrientes nitrógeno (N), fósforo (P), potasio (K) y el parámetro de humedad volumétrica (HV) en el suelo con un área de 110 m2 durante tres momentos. Para ello, se establecieron semivariogramas experimentales y teóricos, los cuales fueron ajustados manualmente y utilizados como base para la interpolación mediante la técnica geoestadística de Kriging Ordinario (KO). Con el fin de seleccionar el modelo que mejor se ajustara a los datos y ofreciera una predicción más precisa, se consideraron medidas de error, grados de dependencia espacial, y se generaron mapas de contorno y varianza referentes a cada interpolación. Además, con las imágenes capturadas por el dron, se crearon ortomosaicos para cada momento de evaluación

y procesamiento, que funcionaron como base para el cálculo de índices de vegetación “Green Red Vegetation Index” (GRVI) y “Green Leaf Index” (GLI). Por último, una vez identificado el modelo con el mejor ajuste y los índices de vegetación, se llevó a cabo la integración gráfica de ambos resultados y sus respectivos análisis.

2. OBJETIVOS

2.1.General

Proponer una metodología de integración gráfica geoespacial de la composición química de una parcela experimental ubicada en la sabana de Bogotá, destinada a la producción de zanahoria (Daucus carota).

2.2. Específicos

• Identificar la variabilidad espacial de la composición química de una parcela bajo un esquema de producción de zanahoria agroecológica.

• Evaluar la composición química del suelo a partir de la captura y procesamiento de imágenes “tribanda” RGB.

• Desarrollar un análisis de integración gráfica a partir de los resultados de variabilidad

espacial frente a los procesamientos de imágenes de dron RGB.

3. MARCO TEÓRICO Y ANTECEDENTES

3.1.Zanahoria (Daucus carota)

3.1.1. Origen y taxonomía

La Zanahoria (Daucus carota) pertenece a la familia Apiaceae y a la clase de las dicotiledóneas, anteriormente denominada Umbilliferae. Es una de las hortalizas más cultivadas y producidas a nivel mundial dentro de su familia. A pesar de que su origen no es exacto, algunos autores lo sitúan en el centro de Asia, África y el Mediterráneo, mientras que otros lo ubican en Afganistán. Debido a los procesos de selección ocurridos a mediados de 1700 en Holanda, su color ha pasado de púrpura a naranja; color característico debido a las altas concentraciones del pigmento denominado carotenoide. Entre los nombres comunes con los que se conoce en distintas partes del mundo se encuentra Carlota, Pastanegra, Zanaori, (Cámara de Comercio de Bogotá, 2015; Que et al., 2019; Saavedra Del Real & Mellado,

2020).

3.1.2. Botánica

Daucus carota es una planta herbácea que pasa por las siguientes etapas fenológicas: 1. Desarrollo vegetativo, donde se produce el crecimiento del follaje (hojas y tallo) y comienza el engrosamiento de la raíz central. 2. Desarrollo reproductivo, durante el cual se forman los órganos reproductivos y se completa en su totalidad el crecimiento del tallo (ver Tabla 1). Por otro lado, esta planta se clasifica en anual o bianual. En las anuales, ambas fases ocurren en simultaneo en el transcurso de un año, mientras que las bianuales, cada fase se desarrolla en un año diferente (Cámara de Comercio de Bogotá, 2015; Saavedra Del Real & Mellado,

2020)

Tabla 1. Descripción botánica de la planta de zanahoria (Daucus carota) Parte de la planta Descripción botánica Inflorescencias Denominadas umbelas compuestas, están formadas por pedicelos (tallos de flores) que emergen desde el centro y se extienden hacia los alrededores. Cada pedicelo se ramifica nuevamente, y cada rama culmina en una sola flor. Cada flor posee cinco sépalos, cinco pétalos, cinco estambres, un ovario inferior y un pistilo (Kiełkowska & Kiszczak, 2023; Saavedra Del Real & Mellado, 2020).

Figura 1. Inflorescencia compuesta.

Fuente: (Que et al., 2019).

Hojas Compuestas y pinnadas, se disponen de forma alterna en una roseta basal, agrupándose en la base de la planta, cerca del suelo. Tiene una forma oblonga (más alargas que anchas) y presenta segmentos lineales, con pecíolos ensanchados en la base. Cada hoja compuesta está formada por entre tres a siete pares de foliolos por segmento, además de uno adicional en la parte terminal. Estos foliolos son lineales a lanceolados, con bordes enteros o denticulados (Saavedra Del Real & Mellado, 2020).

Figura 2. Hojas compuestas pinnadas.

Fuente: (Cámara de Comercio de Bogotá,

2015)

Tallo Al inicio de la fase vegetativa de la planta, el tallo apenas sobresale del suelo. Sin embargo, durante la inducción floral, se alarga para sostener posteriormente la inflorescencia (Cámara de Comercio de Bogotá, 2015). Figura 3. Tallo vegetativo.

Fuente: (Cámara de Comercio de Bogotá,

2015).

Parte de la planta Descripción botánica Raíz Raíz de tipo napiforme (con forma de nabo), caracterizada por tener una raíz central que es predominantemente más grande que las raíces laterales. Durante la etapa reproductiva de la planta, esta raíz se engrosa debido a la acumulación de sustancias de reserva. A su alrededor, se desarrollan raíces laterales encargadas de absorber nutrientes y agua del suelo. De acuerdo con la variedad, el color varía entre blanco, morado y naranja (Cámara de Comercio de Bogotá, 2015; Saavedra Del Real & Mellado, 2020).

Figura 4. Raíz central de almacenamiento.

Fuente: (Saavedra Del Real & Mellado,

2020).

3.1.3. Condiciones edafoclimáticas

Figura 5. Condiciones edafoclimáticas requeridas para el adecuado desarrollo del cultivo de zanahoria.

Fuente: (Cámara de Comercio de Bogotá, 2015; Lardizábal, 2013; González et al.,2010).

La zanahoria alcanza un desarrollo óptimo en suelos con pendientes inferiores al 15%, lo que Suelo •Franco-arenoso.

•Profundidades efectivas mayor a 80 cm.

•Materia orgánica mayor 3,5%.

•pH 5.5 y 7.0.

Temperatura •Óptimo entre 15°C y 21°C.

•Superior a 30°C, acelara procesos de envejecimiento.

Humedad Relativa •Entre 70 y 80%.

Precipitaciones •Entre 500 mm y

600 mm al año

como mínimo.

facilita las labores de cultivo. En suelos pesado, el crecimiento de la planta tiende a ser desuniforme y aumenta el riesgo de pudrición de la raíz debido a un drenaje inadecuado o a la alta capacidad de retención de humedad (Cámara de Comercio de Bogotá, 2015; Lardizábal, 2013; González et al.,2010). En cuanto a la temperatura, la zanahoria tolera mínimas de 9°C y máximas de 28°C; temperaturas mayores a 30°C pueden provocar pérdida de color y producción de raíces cortas (Alessandro, 2013; Cámara de Comercio de Bogotá, 2015; Lardizábal, 2013).

3.2. Manejo del cultivo de zanahoria

El manejo del cultivo de la zanahoria está en función en la raíz de almacenamiento, debido a que es el órgano que se comercializa. Dentro de sus principales componentes de la producción está en suelo, ya que según sea la gestión que se le dé tendrá repercusiones en la forma y tamaño de la raíz. A continuación, en la Figura 6, se muestran las etapas para el establecimiento del cultivo de zanahoria, destacando principalmente el acondicionamiento y preparación del suelo, fertilización y labores de cultivo.

Figura 6. Actividades generales en el establecimiento del cultivo de zanahoria (Daucus carota).

Fuente: (Elaboración propia, 2024)

Acondicionameinto del suelo Preparación del terreno Siembra: semilla plántula Labores del cultivo Riego Fertilización Protección del cultivo Cosecha Poscosecha

3.2.1. Establecimiento y preparación del terreno

Una vez seleccionado el terreno óptimo para el cultivo de zanahoria, en función de las condiciones edafoclimáticas requeridas por la especie, es fundamental realizar un análisis de suelo. Este análisis proporcionará información necesaria para determinar el manejo adecuado de la fertilización y la necesidad de aplicar correctivos, tales como la cal que es utilizada para mejorar el pH o enmiendas orgánicas para mejorar el contenido de materia orgánica (Cámara de Comercio de Bogotá, 2015). Posteriormente, se procede a la preparación del terreno con el fin de eliminar tanto malezas como el adecuamiento y acondicionarlo para facilitar las actividades del cultivo (Saavedra Del Real & Mellado, 2020). Aunque la preparación del suelo varía según el agricultor, generalmente, quince días antes de la siembra, se aplican herbicidas pos-emergentes, seguido del uso de tractor con implementos como rastrillo, rastra o rotovator, (DANE 2017) a profundidades de 25 a 30 cm, garantizando una adecuada formación de la raíz (Cámara de Comercio de Bogotá, 2015).

3.2.2. Siembra

Figura 7. Esquema del sistema de siembra empleado en el cultivo de zanahoria (Daucus carota).

Fuente: (Cámara de Comercio de Bogotá, 2015; González et al., 2010).

Siembra Directa al suelo Densidad de 400.000 a

540.000 semillas/ha

Ditancia entre plantas entre 8 a 15 cm Maquinaria:sembradoras Voleo Densidad de 1,8 a 2,3 millones de semillas/ ha Siembra manual

Entre los sistemas se siembra utilizados se encuentra los representados en la Figura 8, los cuales contribuyen a la uniformidad en la siembra, la emergencia de plántulas y el crecimiento posterior.

Figura 8. Sistemas de siembra mediante plántula empleado en el cultivo de la zanahoria.

a. Lineal. b. Camellones simples. c. Camellones dobles. d. Camellones en mesa con dos

hileras de plantas. e. Camellones en mesa con tres hileras de plantas

Fuente: (Saavedra Del Real & Mellado, 2020).

En Colombia, las variedades de zanahoria que se cultivan tienen un ciclo de cultivo anual, abarcando tanto la fase vegetativa como reproductiva en un año. Entre las variedades más importantes se destacan la Chantenay, Nantes, Imperator, Dannvers, Oxheart y Bangor, cada una con características en cuanto forma, tamaño, colore sabor y textura. Su ciclo de cultivo varía entre los 70 y 150 días (DANE, 2017).

3.2.3. Labores del cultivo

El raleo y el aporque son labores realizadas manualmente. El raleo tiene como objetivo eliminar las plantas retrasadas o exceso de individuos en un mismo lugar de siembra. El aporque consiste en acumular el suelo alrededor de tallo para proteger la raíz, evitando coloraciones verdes, resecamiento y detención del crecimiento; este procedimiento puede realizarse a los 30 días de la siembra (Cámara de Comercio de Bogotá, 2015).

3.2.4. Riego

a b c d e

Para el establecimiento del sistema de riego, es necesario conocer los requerimientos hídricos de la planta, las condiciones de precipitación de la zona y la etapa de desarrollo de la planta (Cámara de Comercio de Bogotá, 2015). Según sea el nivel del sistema productivo, se utilizan sistemas de riego por aspersión o por goteo con cintas (Saavedra Del Real & Mellado, 2020). A continuación, se establecen tres etapas donde es necesario el riego:

1.

Emergencia: riegos cortos y seguidos. Evitar exceso de humedad. Aplicar hasta la aparición de dos hojas verdaderas.

2.

Elongación: disminuir frecuencia de riego, de manera que la planta extienda más sus raíces. Mantener una frecuencia de aplicación de 7 a 10 días.

3.

Engrosamiento de raíz: aplicar agua en forma creciente.

3.2.5. Fertilización

La fertilización se determina según los valores obtenidos del análisis de suelo en relación con los nutrientes y los requerimientos del cultivo, como se muestra en las Tablas 2 y 3 (Saavedra Del Real & Mellado, 2020).

Tabla 2. Requerimiento nutricional de la zanahoria.

Nutriente Nutriente captado [kg -g/ha] Nitrógeno [N] kg/ha

213,6

Fósforo [P]

50,30

Potasio [K]

273,0

Calcio [Ca]

150,8

Magnesio [Mg]

41,40

Boro [B] g/ha

260,3

Cobre [Cu]

72,50

Manganeso [Mg]

529,0

Zinc [Zn]

760,9

Fuente: (Saavedra Del Real & Mellado, 2020)

Por otro lado, la Cámara de Comercio de Bogotá, (2015) estableció la Tabla 3, en la que se detalla los requerimientos del cultivo de la zanahoria en nitrógeno N (kg/ha) y potasio (kg/ha), repartiéndolos según los días después de la emergencia.

Tabla 3. Requerimientos nutricionales del cultivo de zanahoria (Daucus carota) según los días después de emergencia de la planta.

Días después de emergencia Nutrientes [kg/ha] N K2O*

30

45

120

60

45

120

Total

90

240

*Óxido de potasio: forma asimilable K por la planta.

Fuente: (Cámara de Comercio de Bogotá, 2015).

3.2.6. Ubicación y rendimiento

En 2020, la producción mundial de zanahoria fue liderada por China, con cerca de 18 millones de ton, seguido por Uzbekistán y Estados Unidos con 2 millones de ton. Sin embargo, los países con mayores rendimientos fueron Islandia (109,83 ton/ha), Uzbekistán (77,83 ton/ha) e Israel (74,11 ton/ha). En Colombia, la producción en 2020 y 2021 alcanzó cerca de 200 miles de ton, con un rendimiento de 22,9 ton/ha (Ortiz, 2023). Los principales departamentos productores del país son Boyacá, Cundinamarca, Antioquia y Nariño, que concentraron el 93% de la producción nacional (Cardona, 2018). La producción de zanahoria en Colombia se distribuye en once departamentos, abarcando cerca de 96 municipios. En el 2021, Cundinamarca lideró la producción con 80.650 ton, de un área cosechada de 2.993 ha y un rendimiento de 26,40 ton/ha, seguido por Antioquia, Boyacá, Mariño y Norte de Santander (Ortiz, 2023). Para el 2022, Colombia sembró 10.843 ha de zanahoria, de las cuales 10.339 ha fueron cosechadas, para un total 291.279 ton producidas. Producción superior a la obtenida para el 2017, en donde fue 224.533 ton, en donde los departamentos como mayor producción fue Cundinamarca, seguido de Boyacá y Nariño (Galindo & Saboyá, 2020).

3.3. Variabilidad en las propiedades de los suelos

El suelo es un recurso fundamental para la vida y la biodiversidad, desempeñando un papel clave en los servicios ecosistémicos, como fuente para el crecimiento de la vegetación y el reciclaje de residuos orgánicos. Además, es hábitat de diversos organismos y participa en interacciones ecológicas esenciales para la vida (Smith & Smith, 2007). Su estado es fundamental para la disponibilidad y calidad de los alimentos, esenciales para el bienestar humano (Bogunovic et al., 2017).

El suelo es un sistema trifásico que incluye minerales (sólidos), agua y aire (Havlin et al., 2014; Susha Lekshmi et al., 2014). Su formación comienza con la meteorización de rocas y minerales, que se descomponen en partículas más pequeñas. Con el paso del tiempo, diversos factores como el clima, el tipo de cobertura vegetal y las actividades humanas le atribuyen y modifican sus propiedades físicas, químicas y biológicas (Smith & Smith, 2007; Ayele et al., 2018, 2020). Las propiedades físicas, como textura, porosidad, estructura y densidad aparente, determinan la capacidad de retención de nutrientes y agua. Las propiedades químicas, como el pH, la conductividad eléctrica (CE) y el contenido de carbono orgánico (CO) influyen en la disponibilidad de nutrientes y la actividad microbiana del suelo (Burger & Kelting, 1999). Las propiedades biológicas, por su parte, están relacionadas con los micoorganismos que facilitan la descomposición de material orgánico y participa en los ciclos biogeoquímicos (Bhunia et al., 2018).

Los nutrientes como el nitrógeno (N), fósforo (P) y potasio (K), son fundamentales para la fertilidad del suelo, el crecimiento de las plantas y los ciclos biogeoquímicos. La deficiencia de estos nutrientes reduce la productividad, mientras que su exceso puede contaminar aguas superficiales y subterráneas mediante procesos como la lixiviación y la escorrentía (GAO et al., 2019). Sin embargo, la fertilidad del suelo no depende únicamente de los nutrientes, sino también de la interacción entre las propiedades físicas, químicas y biológicas, así como de factores climáticos (Sánchez, 2007).

Debido a los cinco factores formadores del suelo; clima, organismos, relieve, material parental y tiempo, el suelo presenta variabilidad espacial en sus propiedades (Bogunovic et al., 2017). Además, la actividad humana, como el uso de fertilizantes, rotación de cultivos y el tipo de cultivos establecidos, también influyen en su composición (Ayele et al., 2020; Mousavi et al., 2017; Selmy et al., 2022; Shit et al., 2016; Vargas Diaz et al., 2023). Esta

variabilidad espacial requiere gestionar el suelo como un sistema heterogéneo, cuya variabilidad puede ser mayor o menor según el parámetro analizado y sus condiciones de distribución (Shit et al., 2016).

El conocimiento de esta variabilidad es clave para optimizar la planificación agrícola de manera sostenible (Álvarez Herrera et al., 2021), ya que influye directamente en el rendimiento de los cultivos (Bogunovic et al., 2017). Estimar con precisión la variabilidad del suelo permite ahorrar recursos e incrementar la productividad agrícola (Abdel Rahman et al., 2021; Bhunia et al., 2018; Selmy et al., 2022). Una gestión eficiente de parámetros como el pH, CO, N, P y K contribuye a mejorar los rendimientos económicos y reducir de riesgos ecológicos (Tiruneh et al., 2021; Tola et al., 2017). Así, es fundamental identificar zonas con relativa homogeneidad dentro de una misma área de suelo para aplicar un manejo específico, ajustado a las necesidades de cada cultivo (Selmy et al., 2022).

3.4. Propiedades químicas del suelo:

• PH: influye indirectamente en los procesos químicos, disponibilidad de nutrientes,

procesos biológicos y actividad microbiana. El pH está definido como el logaritmo inverso de la actividad de iones hidrógeno en la solución del suelo. Su escala va desde

0 a 14, abarcando desde pH ácidos (mayor contenido de hidrogeniones) a alcalinos

(menos cantidad de hidrogeniones). El rango óptimo para el desarrollo de las pantas son valores de pH entre 5,5 y 7,5, ya que en este rango se encuentran disponible la mayoría de los nutrientes necesarios (Sánchez, 2007).

• Capacidad de intercambio catiónico (CIC): determina los procesos de adsorción y

liberación de cationes (iones carga +). Ocurre en la superficie de arcilla y minerales, así como la materia orgánica y las raíces de las plantas, ya que, al estar cargadas negativamente, atraen los cationes para ser adheridos en sus superficies (Havlin et al., 2014; Sánchez, 2007).

• Saturación de bases (SB): es el porcentaje de CIC total ocupado por los cationes Ca+2,

Mg+2, K+ y Na+, conocidos como bases, que son iones fundamentales en el intercambio suelo-planta. Su relación con el pH es directamente proporcional, es decir que si el pH

es 5,5 equivale a cerca de un 50% de SB, por lo que al aumentar la SB también lo haría la CIC (Havlin et al., 2014).

• Materia orgánica (MO): está constituida por materiales orgánicos en diferentes

estados de descomposición, siendo la actividad microbiana la responsable de descomponer los residuos vegetales hasta transformarlos en humus. El humus, es a su vez, el componente más grande de la materia orgánica y desempeña un rol en la mejora de las condiciones físicas del suelo, contribuye con la retención de humedad y la disponibilidad de nutrientes. Como se ilustra en el siguiente esquema (Figura 9), los principales procesos en el ciclado de residuos frescos y humus en el suelo son la mineralización y la inmovilización (Havlin et al., 2014).

Figura 9. Esquema de los procesos para el ciclado de material fresco y captura de nutrientes.

Fuente: (Havlin et al., 2014).

3.5. Mineralización:

La mineralización de la materia orgánica del suelo es un proceso fundamental en el ecosistema, debido que a partir de ella se obtienen nutrientes que se encuentran almacenados en los materiales vegetales (Addiscott, 2010). A través de la acción de micoorganismos heterótrofos, los componentes orgánicos (lípidos, proteínas, aminoácido) son transformados en formas inorgánicos (minerales). Existen dos tipos de mineralización: la mineralización bruta, que se refiere al total de nutrientes que son transformados de forma orgánica a inorgánica; y la mineralización neta, que se define como la diferencia entre la mineralización bruta y la cantidad de minerales asimilados por los micoorganismos durante el proceso de inmovilización, en el cual captan nutrientes y los incorpora a sus tejidos

(Hagemann et al., 2016; Havlin et al., 2014). Cuando la mineralización bruta supera la inmovilización, se produce un aumento neto de los minerales disponibles para las plantas (Hagemann et al., 2016). En la Tabla 4, se explica las minerales N, P, K.

Tabla 4. Descripción del nitrógeno, fósforo y potasio en el suelo. Nutriente Forma asimilable Movilidad en suelo Explicación Nitrógeno (N) -Amonio (NH4+2) -Nitrato (NO3-2) -Amonio:

M -Nitrato:

A Las plantas no pueden fijar nitrógeno atmosférico (N₂), por lo que dependen de microorganismos simbióticos, descargas eléctricas, descomposición de materia orgánica y fertilizantes para obtener nitrógeno. Absorben nitrógeno en forma de nitrato (NO₃⁻) o amonio (NH₄⁺). Si lo toman como nitrato, lo convierten en amonio para sintetizar aminoácidos y proteínas, aunque este proceso requiere energía. Al absorber amonio directamente, las plantas pueden producir proteínas con menor gasto energético. Fósforo (P) -Fosfato monoaniónico (H2PO4-) -Fosfato dianiónico

(HPO4-2)

-H2PO4- (A) en suelos ácidos

-HPO4-2

(A) en suelos alcalinos En el suelo se encuentra en formas orgánica e inorgánica, y su absorción por las raíces depende de ambas. Su disponibilidad varía según el pH del suelo: pH 7.2 → H2PO4- ≈ HPO4-2 pH< 7.2→ H2PO4- > HPO4-2 pH>7.2 → H2PO4- < HPO4-2 El fósforo se fija en el suelo por dos procesos: adsorción, cuando la concentración de fósforo en solución es baja y se adhiere a las partículas del suelo, y precipitación, cuando la concentración es alta y forma minerales insolubles, especialmente en suelos ácidos, donde se precipita como minerales de hierro (Fe) y aluminio (Al).

Nutriente Forma asimilable Movilidad en suelo Explicación Potasio (K) Ion potásio K+ A Es un mineral que representa entre el 0,05% y 3% del contenido total de K. Por lo general se presenta en menor proporción en suelos con texturas gruesas como la arena, en donde predomina la arenisca o el cuarzo. El incremento en la concentración de los cationes Ca+2 y Mg+2 disminuye la absorción de este mineral.

*A: altamente móvil; M: móvil; P: poco móvil* Fuente: (Havlin et al., 2014).

3.6. Humedad en el suelo

El suelo es un sistema conformado por 50% agua, cuya cantidad almacenada depende de características como la distribución del tamaño de las partículas, la estructura, la porosidad, la profundidad, la composición mineralógica, la salinidad etc. (Letey, 1958). A continuación, se describen las tres formas líquidas que existen en el suelo (Briggs, 1897; Susha Lekshmi et al., 2014).

• Humedad gravitacional: humedad libre que se mueve en todo el suelo por la fuerza

de gravedad. Se drena en 2 a 3 días después de la lluvia.

• Humedad capilar: se mantiene en el suelo gracias a las fuerzas de cohesión y

adhesión. Se encuentra en los microporos y es responsable de las interacciones fisicoquímico- mineralógico- biológicas. Incluye la capacidad de campo, que es la cantidad de agua retenida en los microporos después de drenar el exceso de agua gravitacional. En esta etapa los poros del suelo albergan principalmente agua, por lo que disminuye la cantidad de aire. Además, abarca el punto de marchitez permanente, que es el contenido de agua por debajo del cual las plantas comienzan a experimentar estrés hídrico. Es decir, es la cantidad mínima de agua que requieren las plantas para sobrevivir; si el agua disponible es inferior las plantas se marchitan y, en caso de persistir el déficit hídrico, eventualmente mueren. Este valor varía

según el tipo de cultivo y sus requerimientos hídricos. La diferencia entre el punto de marchitez permanente y la capacidad de campo determina la cantidad de agua disponible para las plantas. Esta humedad también es responsable del transporte de nutrientes hacia las raíces.

• Humedad higroscópica: es una película liquida que se adhiere a las superficies de

las partículas del suelo. Es mayor en suelos con texturas arenosas y limosas. La cantidad de humedad total existente en el suelo puede expresarse en porcentaje como el contenido de humedad volumétrica (HV). Refleja la relación entre el volumen de humedad presente en el suelo y el volumen total del suelo, es decir, que es la cantidad de volumen de agua que hay en el suelo por unidad de volumen de suelo. Está definida por medio de la siguiente ecuación (Susha Lekshmi et al., 2014). Está altamente afectada por la textura y estructura del suelo. Aquellos suelos que en su textura predominan las partículas como las arenas, su capacidad de retener agua es menor en comparación a la arcilla y el limo. Cuando la humedad volumétrica es baja indica que el suelo está seco, y no tiene agua disponible para las plantas y cuando es alta indica saturación de agua (Tuller & Or, 2003).

𝐻𝑉= (𝛾𝑑 𝛾𝑤

)

Donde:

• HV es la humedad volumétrica

• 𝛾𝑑 es el peso unitario seco de la masa de suelo

• 𝛾𝑤 es el peso unitario del agua

3.7.Estadística espacial

La estadística espacial es un conjunto de metodologías utilizadas para el análisis de variables aleatorias distribuidas en diferentes ubicaciones dentro de un área específica (Giraldo Henao, 2011). Esta disciplina resulta útil para el procesamiento de fenómenos naturales, ya que estos deben ser observados en función del tiempo o del espacio-tiempo. Además, como parte del ambiente, dichos fenómenos son componentes importantes en las interacciones ecológicas

(Smith & Smith, 2007), lo que implica que estén correlacionados entre sí, a menos de que se encuentren lo suficientemente distantes. Debido a esta correlación espacial, no se cumple con el supuesto de independencia, lo que hace que la estadística clásica no sea adecuada para su procesamiento y análisis (Bohorquez, 2022).

Partiendo de lo anterior, cuando se muestrean fenómenos naturales, se están recolectando datos espaciales, los cuales se utilizan para describir la distribución de un parámetro o variable en el espacio y establecer sus relaciones con su entorno (Bohorquez, 2022). Existen dos tipos de datos espaciales: vectoriales y ráster. Los datos vectoriales están definidos por coordenadas precisas y se asocian con puntos, líneas, polígonos o mallas vectoriales, mientras que los datos raster se emplean para representar superficies continuas, utilizando una malla compuesta por celdas asociadas a uno o más valores (Fernández & Cotos, 2022). De pendiendo de la característica de los datos espaciales, los métodos de estadística espacial a emplear varían. Esto ha dado lugar a tres ramas dentro de la estadística espacial: 1. Geoestadística, 2. Datos de áreas, y 3. Procesos espaciales puntuales (Bohorquez, 2022).

3.7.1. Geoestadística

La geoestadística es una herramienta que permite estimar, interpolar y simular fenómenos de datos vectoriales, que se encuentren georreferenciados y representen una agregación espacial (Giraldo Henao, 2011). Caracterizado por ser un proceso estocástico, en donde se dicta la distribución de probabilidad conjunta de un grupo de variables (Bohorquez, 2022; Fernández & Cotos, 2022). Recientemente, muchos investigadores la han utilizado como herramienta para evaluar variabilidad espacial de las propiedades del suelo, así como para la obtención de mapas de interpolación que brinden información en zonas no muestreadas a partir de las muestreadas (Abdel Rahman et al., 2021; Ballabio et al., 2016; Bogunovic et al., 2014; Boudibi et al., 2021; Pingguo et al., 2016; Tiruneh et al., 2021; Zhang et al., 2015). Mediante el establecimiento de mallas de muestreo georreferenciadas la geoestadística brinda la posibilidad de relacionarlos con métodos de distribución espacio- temporal (Giraldo Henao, 2011; Orjuela-Matta et al., 2023).

3.7.1.1. Supuestos

Antes de emplear métodos de predicción e interpolación en un estudio geoestadístico, es importante verificar y analizar los supuestos que cumplen o para los que aplican los datos. Los principales supuestos son la estacionariedad, la isotropía-anisotropía y la predicción correspondiente. El supuesto de estacionariedad se cumple cuando un subconjunto de puntos proporciona la misma información, independientemente de su ubicación, lo que implica que el promedio de la variable sea constante en toda el área de estudio (Bohorquez, 2022; Giraldo Henao, 2011). Para poder aplicar análisis estadísticos, es necesario que los fenómenos sean estacionarios (Giraldo Henao, 2011). La estacionariedad se clasifica en las siguientes categorías:

• Estacionariedad fuerte o de primer orden: Se refiere a que la estructura

probabilística de las variables aleatorias es similar en diferentes ubicaciones. El lugar de observación no influye en la variable (Bohorquez, 2022; Giraldo Henao, 2011).

• Estacionariedad débil o de segundo orden: La variable presenta una media

constante, puede o no existir una dependencia espacial, según la ubicación de la observación (Bohorquez, 2022; Giraldo Henao, 2011).

• Intrínseca o de incrementos: En este caso, para cada par de puntos conocidos 𝑍(𝑠)

y estimados 𝑍(𝑠+ ℎ), la varianza está en función del vector de separación ℎ (Bohorquez, 2022; Giraldo Henao, 2011).

En cuanto al supuesto de anisotropía, ocurre cuando la dependencia espacial de 𝑍(𝑠) y 𝑍(𝑠+ ℎ) depende tanto de la magnitud como de la dirección del vector de separación ℎ, lo que implicaría que la variabilidad espacial no sea igual en todas las direcciones (Bogunovic et al., 2014; Giraldo Henao, 2011; Bohorquez, 2022). Por otro lado, la isotropía aplica cuando la dependencia espacial está en función del vector de separación ℎ, sin considerar su dirección (Bohorquez, 2022; Giraldo Henao, 2011), cuando se considera este supuesto se está asumiendo también un proceso estacionario. Según investigaciones, para poder determinar de manera confiable la presencian de anisotropía, es necesario contar con un mínimo de 150 puntos de muestreo (Bogunovic et al., 2014).

3.7.2. Predicción

Cuando el objetivo es la predicción, la geoestadística se desarrolla en dos etapas: la primera consiste en el análisis estructural y la segunda ejecuta técnicas de predicción en lugares no muestreados (Abdel Rahman et al., 2021; Giraldo Henao, 2011).

3.7.2.1. Análisis estructural

El análisis estructural consiste en determinar y describir la correlación o dependencia espacial entre los datos medidos de una variable (Abdel Rahman et al., 2021; Giraldo Henao, 2011).El semivariograma es una herramienta matemática que examina la estructura de la distribución espacial de una o más variables (Ayele et al., 2020; Giraldo Henao, 2011; KAMARUDIN et al., 2022; Selmy et al., 2022; Shit et al., 2016; H. Zhang et al., 2015). Esta herramienta se refiere a la correlación espacial de los datos medidos en función de su distancia (KAMARUDIN et al., 2022; Selmy et al., 2022; Shit et al., 2016) e incluye tanto el semivariograma experimental (SE) como el semivariograma teórico (ST).

3.7.2.1.1. Semivariograma experimental (SE)

El semivariograma experimental (SE) representa gráficamente la semivarianza entre puntos emparejados que presentan variabilidad espacial (Bogunovic et al., 2014; Giraldo Henao, 2011). Gráficamente, la semivarianza está en función de la distancia de separación, así cuando existe correlación, se espera que los valores de la semivarianza sean menores a medida que la distancia ℎ entre los sitios de muestreo disminuye, ya que, entre menores distancias, mayor será la similitud o correlación espacial del parámetro (Bhunia et al., 2018; Giraldo Henao, 2011). Esta relación se define mediante la siguiente fórmula matemática (Giraldo Henao, 2011; Selmy et al., 2022; Bohorquez, 2022):

Ῡ(ℎ) = ∑ [𝑍(𝑥+ ℎ) −𝑍(𝑥)]2 𝑛 𝑖=1 2𝑛

Donde:

• Ῡ(ℎ) representa el semivariograma experimental.

• 𝑍(𝑥) es el valor de la variable en un sitio 𝑥.

• 𝑍(𝑥+ ℎ) es el valor muestral en un sitio separado por una distancia ℎ.

• 𝑛 es el número de parejas de puntos separados por la distancia ℎ.

Existen diferentes tipos de SE, en función del supuesto de isotropía o anisotropía de los datos. El semivariograma omnidireccional se utiliza para determinar la variabilidad espacial entre un punto y sus alrededores, sin tener en cuenta la distancia entre ellos. Por esta razón, se asume que los datos siguen un fenómeno isotrópico (Bogunovic et al., 2017; Giraldo Henao,

2011).

3.7.2.1.2. Semivariograma teórico (ST)

El semivariograma teórico (ST) se construye a partir del SE, utilizando los puntos emparejados como coeficientes para su formulación. Además, sirve como parámetro de entra para la ejecución de los métodos de interpolación espacial (Mousavi et al., 2017; H. Zhang et al., 2015). Como se ilustra en la Figura 10 el ST está constituido por un modelo teórico ajustado a los valores experimentales mediante coeficientes específicos. A continuación, en la Tabla 5, se establecen los coeficientes:

Tabla 5. Coeficientes que conformar el semivariograma teórico. Coeficiente Significado Silla, sill o meseta (𝐶0 + 𝐶) Representa la cota superior de la semivarianza, o la asíntota superior del semivariograma. Este parámetro solo se observa en los procesos estacionarios de segundo orden.

Rango (𝑚) Es la distancia a partir de la cual los pares de puntos dejan de estar correlacionados espacialmente. Los puntos separados por una distancia menor al rango se consideran especialmente correlacionados. A medida que el rango disminuye, el modelo se aproxima a la independencia espacial. Nugget o efecto pepita (𝐶0) Hace referencia a la variabilidad en una distancia corta, la cual generalmente está asociada a errores de muestreo. Si el semivariograma se estabiliza y se mantiene constante, y el valor de sill es el mismo, se produce el efecto pepita,

lo que indica que, a una distancia x, las muestras se consideran espacialmente independientes. Este efecto funciona como un indicador de discontinuidad entre las muestras, o de variabilidad espacial no detectada en el proceso de muestreo. Fuente: (Bhunia et al., 2018; Bohorquez, 2022; Orjuela-Matta et al., 2023)

Figura 10. Representación gráfica del semivariograma experimental (SE) y teórico (ST). Los puntos representan el SE y la línea sobre estos es el ST.

Fuente: (Bohorquez, 2022).

Los modelos teóricos se encargan de generalizar los patrones observado en el SE. Su objetivo es ajustarse a la distribución de los datos de entrada para describir la continuidad espacial de los mismos y mostrar la relación espacial entre los pares de puntos (Pham et al., 2019). Se dividen en categorías: 1. Modelos no acotados, que incluyen los modelos lineal, algorítmico, potencial; y 2. Modelos acotados, que comprenden los modelos esférico, exponencial, gaussiano (Giraldo Henao, 2011), en la Figura 11, se representan algunos de los modelos teóricos utilizados.

Figura 11. Modelos teóricos implementados en los semivariogramas.

Fuente: (Bohorquez, 2022).

El modelo gaussiano es un modelo estacionario de segundo orden, que exhibe un comportamiento continuo y parabólico desde el origen. Su expresión matemática es la siguiente (Giraldo Henao, 2011; Zhang et al., 2015; Bohorquez, 2022):

𝛾(ℎ) = 𝐶0 + 𝐶1 [1 −𝑒𝑥𝑝[−ℎ2 𝑎2 ]]

Donde:

• 𝐶0 es la varianza nugget (ℎ= 0), que representa el error experimental y la variación

de campo dentro del espacio de muestreo mínimo.

• El semivariograma aumenta con el incremento de la distancia de separación, hasta

alcanzar o aproximarse a un valor máximo o umbral (𝐶0 + 𝐶1), que es casi equivalente a la varianza de la población.

• 𝐶 es la varianza estructural, 𝑎 es el rango espacial, que define la distancia en la que

los datos mantienen una correlacionados espacialmente. Este modelo es ampliamente utilizado, ya que describe de forma precisa la dependencia espacial de parámetros físicos y químicos del suelo (Li et al., 2022; Selmy et al., 2020). A

continuación, en la Figura 12, se presenta una representación gráfica del modelo teórico esférico, exponencial y gaussiano.

Figura 12. Representación gráfica del modelo Esférico, exponencial y Gaussiano.

Fuente: (Giraldo Henao, 2011).

El modelo de independencia Nugget o pepita pura se representa mediante la siguiente ecuación. Este modelo refleja la falta de correlación espacial o independencia del parámetro que se esté evaluando (Giraldo Henao, 2011). Su representación gráfica se observa en la Figura 13.

𝛾(ℎ) = [ 0 ℎ= 0 𝐶0 ℎ> 0] , 𝑑𝑜𝑛𝑑𝑒 𝐶0 > 0

Figura 13. Modelo de semivarianza teórico para variables sin correlación espacial.

Fuente: (Hengl et al., 2009).

Las posibles causas de que se presente el efecto pepita son: 1. Presentar un error de medida (EM), que ocurre cuando se toma una medición con error y no se repite, y 2. Efecto de microescala (MS), que surge cuando el diseño de muestreo no es el más indicado, lo que

lleva a una correlación a distancias mayores de las que se tuvieron en cuenta (Abdel Rahman et al., 2021; Bohorquez, 2022). Si el nugget o pepita se interpreta como un error de mediciones, su valor no debe representar más del 50% de la silla, para garantizar que el modelo de correlación espacial describa adecuadamente la realidad (Bohorquez, 2022).

3.7.2.2. Interpolación

La interpolación espacial es la estimación de un valor de una variable en una ubicación no muestreado a partir de los datos de puntos muestreados (Giraldo Henao, 2011; Vargas Diaz et al., 2023; Z. Zhang et al., 2011). Los métodos de interpolación se dividen en tres categorías:

1. Estadísticos: incluye el árbol de regresión y regresión múltiple, 2. Geoestadísticos:

incluyen Kriging ordinario (KO) Y Kriging universal (KU) y 3. Híbrido: abarca Co-Kriging y Kriging de regresión (Hengl et al., 2004). Entre los métodos más utilizados para estimar parámetros de suelo están Kriging, Co-Kriging (Abdel Rahman et al., 2021; Z. Zhang et al., 2011), la ponderación de distancia inversa (IDW) y la regresión lineal (LR) (Abdel Rahman et al., 2021).

3.7.2.2.1. Método de ponderación de distancia inversa (IDW)

El método de ponderación de distancia inversa (IDW) es ampliamente utilizado por científicos y en paquetes SIG, ya que se basa en la suposición de que los valores de los parámetros están relacionados entre sí, pero de forma inversamente proporcional a la distancia entre los puntos. Durante la interpolación, la influencia de un punto sobre otro varía según la distancia que los separa, lo que significa que los puntos que estén más lejos del lugar a predecir tienen menor influencia en el valor calculado, mientras que los puntos más cercanos tienen una mayor influencia (Maleika, 2020; Pereira et al., 2022). Este método se define por el promedio de los valores de los puntos de datos cercanos al lugar de predicción (Vargas Diaz et al., 2023; Yang et al., 2020). Su expresión matemática es la siguiente (Maleika, 2020):

𝑅̒𝑝= ∑ 𝑤𝑖𝑅𝑖 𝑁 𝑖=1 y 𝑤𝑖= 𝑑𝑖 −𝛼 ∑ 𝑑𝑖 −𝛼 𝑁 𝑖=1

Donde:

• 𝑅𝑖 es el valor medido en el punto 𝑖,

• 𝑁 es el número de puntos dentro del radio de búsqueda

• 𝑤𝑖 es el peso asignado a cada punto.

• 𝑑𝑖 es la distancia entre el punto 𝑖 y el nodo a predecir en la ecuación.

La fórmula incluye un exponente (𝛼), que ajusta la influencia de la distancia. A mayor valor 𝛼, mayor será el peso asignado a la cercanía de los puntos, lo que incrementa su influencia en el valor estimado (Maleika, 2020; Pereira et al., 2022).

3.7.2.2.2. Kriging Ordinario

Kriging ordinario (KO) es un método de interpolación utilizado para predecir el valor de un parámetro en ubicaciones no muestreadas (𝑥0), a partir de los datos conocidos en las ubicaciones circundantes. Esto se logra mediante la combinación lineal de las 𝑛 muestras aleatorias cercanas (ver Figura 14). La expresión matemática que representa este proceso es la siguiente (Pham et al., 2019; Hengl et al., 2009):

𝑍∗(𝑥0) = ∑𝜆𝑖𝑍(𝑥𝑖) 𝑛 𝑖=1

Donde:

• 𝑍∗(𝑥0) es el valor predicho del parámetro en la ubicación no medida 𝑥0.

• 𝑍(𝑥𝑖) es el valor medido del parámetro en la posición 𝑥𝑖

• 𝜆𝑖 es el coeficiente de ponderación asociado a cada punto medido, el cual determina

el peso de cada valor medido en la estimación del valor predicho en 𝑥0𝑛 es el número de posiciones dentro del área El coeficiente 𝜆𝑖 se calcula en función de la distancia entre los puntos muestreados y el punto a predicción (Giraldo Henao, 2011).

Figura 14. Estimación de Kriging ordinario (KO) de la ubicación de interés x0, a partir de puntos de muestra espaciado irregularmente (puntos negros)

Fuente: (Wackernagel, 1995).

La aplicabilidad de KO está determinada por las características de los datos (H. Zhang et al., 2015). Al trabajar con la teoría de variables regionalizadas, este método asume que la variación espacial es estadísticamente homogénea (Ayele et al., 2020). Por lo tanto, el KO se aplica cuando la variable presenta estacionariedad de segundo orden o intrínseca (Lark, 2012; Bohorquez, 2022), es decir, cuando la media de la variable es constante pero desconocida (Bohorquez, 2022).

Una de las ventajas de utilizar métodos estadísticos de predicción espacial, como el KO, es que permite generar mapas de predicción o de contorno, los cuales representen el área de estudio con los valores predichos en lugares no observados. Además, también se pueden obtener mapas de varianza, que ilustran cómo varía la incertidumbre de las predicciones en función de la localización espacial (Giraldo Henao, 2011).

El Kriging ordinario (KO) es una de las técnicas de interpolación más utilizadas para determinar y predecir patrones de distribución espacial de las características del suelo (Negreiros et al., 2010; Pingguo et al., 2016; H. Zhang et al., 2015), debido a su alta precisión al generar mapas detallados (Selmy et al., 2022). Sin embargo, una limitante del KO es que no tienen en cuenta el efecto de otras características del entorno sobre la variable medida (Abdel Rahman et al., 2021b; Selmy et al., 2022).

3.7.3. Validación cruzada

La validación cruzada (VC) es una técnica utilizada en geoestadística para evaluar si un modelo describe adecuadamente la variabilidad espacial de los datos, mediante la determinación de la precisión de sus predicciones (F. W. Chen & Liu, 2012; Selmy et al., 2022: Fernández & Cotos, 2022). Este proceso implica eliminar una parte de los datos medidos y utilizar el resto para predecir los valores eliminados a través del modelo seleccionado (Fernández & Cotos, 2022).

Los métodos más comunes de CV son: la validación cruzada K-fol, la validación cruzada doble, la validación cruzada por submuestreo aleatorio repetido y la validación cruzada de dejar uno fuera (LOOCV) (F. W. Chen & Liu, 2012).

Uno de los principales resultados de la validación cruzada es la comparación entre los valores observados (es decir, los valores reales o medidos de una variable) y los valores predichos (aquellos generados por el método de interpolación utilizado). La diferencia entre estos valores se denomina residuales.

3.7.3.1.Validación cruzada dejando uno a fuera ( Leave-one-out cross-validation,

LOOCV)

La validación cruzada de dejar uno fuera (LOOCV) implica el uso de una sola observación de la muestra de datos iniciales como dato de validación, mientras que las observaciones restantes se utilizan para “entrenar” el modelo. Esto quiere decir que el modelo, basado en los datos de entrenamiento, predice el valor faltante o de validación (F. W. Chen & Liu, 2012; Fernández & Cotos, 2022). Este proceso se repite para cada observación de la muestra, de modo que cada uno de los datos son validados. El número de repeticiones se denomina “𝑘” o “pliegues”, y 𝑘 es igual al número de observaciones de la muestra inicial (F. W. Chen & Liu, 2012).

Esta técnica es ampliamente utilizada para evaluar la precisión de los modelos de interpolación, como en el caso de Johnston et al., (2022), quienes evaluaron la precisión de sus mapas de interpolación mediante el método de LOOCV, o de Vargas Diaz et al., (2023) quienes utilizaron la función krige.cv de la librería gstat en Rstudio para llevar a cabo este

procedimiento.

3.7.3.2. Errores de predicción

Los errores de predicción son indicadores para evaluar la precisión del modelo de interpolación utilizado. Se calculan a partir de los residuales, que corresponden a la diferencia entre el valor predicho por el modelo (𝐸𝑖) y el observado o medidos (𝑀𝑖) (Fernández & Cotos, 2022). Entre los errores más comunes se encuentran el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Error Porcentual Absoluto Medio (MAPE) (Bogunovic et al., 2014; Kılıç et al., 2022).

Estos errores son inversamente proporcionales a la precisión de la predicción, por lo que altos valores indican una menor precisión, mientras que valores bajos reflejan una mayor precisión en la predicción (Kılıç et al., 2022; Z. Zhang et al., 2011). Para calcular estos errores, se utilizan los valores observados, los predichos y los residuales obtenidos a partir de la validación cruzada. Las unidades de estos errores son las mismas que las de la variable o parámetro analizando (Ballabio et al., 2019).

A continuación, se presentan las fórmulas matemáticas empleadas para calcular cada tipo de error (Bogunovic et al., 2014; Kılıç et al., 2022; Tziachris et al., 2019):

• Error cuadrático medio (RMSE):

𝑅𝑀𝑆𝐸= √1 𝑛∑(𝐸𝑖− 𝑀𝑖)2 𝑛 𝑖=1

• Error absoluto medio (MAE):

𝑀𝐴𝐸= ∑ |𝐸𝑖− 𝑀𝑖| 𝑛 𝑖=1 𝑛

• Error porcentual absoluto medio (MAPE):

𝑀𝐴𝑃𝐸= 1 𝑛∑|𝑀𝑖−𝐸𝑖 𝑀𝑖 | 𝑥 100 𝑛 𝑖=1

Donde:

• 𝐸𝑖 son los valores observados (medidos inicialmente)

• 𝑀𝑖 son los valores predichos o estimados por el modelo de interpolación.

• 𝑛 es el número total de observaciones o predicciones realizadas.

3.8. Teledetección vegetal

La teledetección vegetal ha sido ampliamente utilizada en la agricultura de precisión, ya que permite obtener información sobre el estado de los cultivos, a partir de la reflectancia emitida por la superficie terrestre (Xue & Su, 2017). Para recolectar esa información, se emplean diversas herramientas, siendo las imágenes satelitales y las capturas obtenidas mediante vehículos aéreos no tripulados (UAV) las más comunes. Estas imágenes están conformadas por bandas espectrales, que son segmentos del espectro de luz en diferentes longitudes de onda. La información espectral emitida por la superficie terrestre se representa en una matriz de píxeles, donde cada uno almacena datos sobre la intensidad de luz en una longitud de onda específica. La intensidad de la luz es visualizada a través de colores y sombras (Lemenkova & Debeir, 2022), las cuales pueden varían según las características químicas y morfológicas de la superficie, como las hojas. Los espectros de luz utilizados en teledetección vegetal incluyen el ultravioleta (10 -380 nm), el espectro visible (comprende la luz azul: 450-495 nm, verde: 495 -570 nm y roja: 620-750 nm), así como el infrarrojo cercano y medio (850- 1700 nm) (Xue & Su, 2017).

Últimamente ha venido incrementando la adopción de UAV, debido a sus menores costos de operación, mayor accesibilidad y practicidad para ejecutar estudios localizados y precisos (Ballester et al., 2019). Los UAV son multifuncionales dentro de las labores agrícolas, aunque se utilizan principalmente para monitorear el estado, crecimiento y productividad de las plantas (Ballester et al., 2019; Vélez et al., 2023). Algunos UAV, están equipados con cámaras digitales que capturan imágenes en las longitudes de onda asociadas a las bandas

RGB (rojo, verde y azul) (Ballester et al., 2019). Las imágenes RGB de alta resolución se utilizan para evaluar el riego de los cultivos y, en general, el estado de las plantas (A. Chen et al., 2018).

3.8.1. Índices de vegetación

Un índice es una medida que cuantifica la intensidad de un fenómeno difícil de explicar con parámetros conocidos. El término índice de vegetación (IV) se refiere a las evaluación u observación de grandes áreas de vegetación influenciadas por su entorno (Bannari et al., 1996). En términos generales, los IV son combinaciones matemáticas de bandas espectrales (Candiago et al., 2015; Vélez et al., 2023) que resaltan el vigor y las propiedades de la vegetación. Esto se logra mediante la evaluación de la biomasa del dosel (contenido de clorofila, radiación absorbida etc.) y el suelo (contenido de agua) (Bannari et al., 1996; Vélez et al., 2023). Por lo tanto, los IV son medidas efectivas de la actividad de la vegetación y su entorno, y se consideran parámetros útiles para caracterizar las variaciones en la superficie terrestre, lo que ha convertido a los IV en herramientas útiles para evaluar la variabilidad espacial en las áreas agrícolas (Tola et al., 2017).

3.8.1.1. Green Red Vegetation Index (GRVI)

El Índice de Vegetación Verde-Rojo o Green Red Vegetation Index (GRVI) es un índice que combina las bandas verdes (longitudes de onda de 500-570nm) y roja (longitudes entre 620-

700 nm). Se calcula utilizando la siguiente fórmula:

𝐺𝑅𝑉𝐼= 𝜌𝑔𝑟𝑒𝑒𝑛−𝜌𝑟𝑒𝑑 𝜌𝑔𝑟𝑒𝑒𝑛+ 𝜌𝑟𝑒𝑑

Donde, 𝜌𝑔𝑟𝑒𝑒𝑛 corresponde a la reflectancia en el rango verde y 𝜌𝑟𝑒𝑑 es la reflectancia en el rango del rojo (A. Chen et al., 2018; Motohka et al., 2010). Según la investigación de Motohka et al., (2010), el GRVI es sensible al color de las hojas como el verde y otros tonos otoñales (amarillo-naranjas-rojizas), a diferencia del Índice de Diferencia Normalizada (NDVI). Además, propusieron el umbral GRVI=0 para monitorear cambios fenológicos, ya

que este índice funciona como indicador de las protuberancias de las plantas. Concluyeron, que el GRVI logra diferenciar entre vegetación verde (valores superiores a 0), agua y nieve (valor alrededor de 0) y suelo (valor inferior a 0). Así, el GRVI se ha implementado para monitorear cambios en la vegetación, como la caída de las hojas, la disminución de la pigmentación y los cambios fenológicos (Ballester et al., 2019; Ishihara et al., 2015). En un estudio de Ballester et al., (2019), el GRVI mostró una disminución en respuesta al déficit de agua en el suelo y al estrés hídrico en la planta de algodón, siendo más preciso que el NDVI. Relacionaron estos fenómenos con la alteración del color de las hojas debido a la variación en el contenido de agua. Asimismo, A. Chen et al., (2018) utilizaron imágenes RGB de alta resolución para determinar la cobertura vegetal y el vigor de las plantas mediante el GRVI, distinguiendo entre vegetación y otras coberturas terrestres como el suelo y la vegetación muerta.

3.8.1.2. Green Leaf Index (GLI)

El Índice de Hojas Verdes o Green Leaf Index (GLI) incorpora las tres bandas visibles del espectro RGB, y es particularmente sensible para identificar elementos verdes y oscuros (Eng et al., 2019; Ishihara et al., 2015). Se calcula con la siguiente fórmula:

𝐺𝐿𝐼= (2 𝜌𝑔𝑟𝑒𝑒𝑛− 𝜌𝑟𝑒𝑑−𝜌𝑏𝑙𝑢𝑒) (2 𝜌𝑔𝑟𝑒𝑒𝑛+ 𝜌𝑟𝑒𝑑+ 𝜌𝑏𝑙𝑢𝑒) Donde 𝝆𝒓𝒆𝒅, 𝝆𝒈𝒓𝒆𝒆𝒏 y 𝝆𝒃𝒍𝒖𝒆 corresponde a las reflectancias en las bandas roja, verde y azul, respectivamente (Bassine et al., 2019; Bhandari et al., 2020; Eng et al., 2019). Cuando sus valores son negativos, indica áreas de suelo sin vegetación, mientras que valores positivos indican la presencia de vegetación como hojas y tallos (Bassine et al., 2019; Bhandari et al., 2020; Eng et al., 2019; Louhaichi et al., 2001).

4. MATERIALES Y MÉTODOS

4.1. Localización

Este trabajo de investigación se desarrolló en la Universidad de Ciencias Aplicadas y Ambientales (U.D.C.A.), en el campus ubicado al nororiente de la ciudad de Bogotá, específicamente en el jardín agroforestal (Bloque P). Se estableció una parcela experimental con un área total de 110 m2, la cual fue gestionada bajo enfoque agroecológico. Los datos climáticos se obtuvieron mediante el balance hídrico realizado para el cultivo en la zona de estudio, por medio de la herramienta informática CLIMET PLUS. Esta herramienta permitió la obtención de gráficas referentes a parámetros como precipitación, temperatura, humedad relativa y velocidad del viento durante el año 2023. Según la Figura 15, temperatura máxima fue de 18,39°C, mínima de 9,05°C y promedio de 13,73°C. Por otro lado, la humedad relativa en promedio fue de 79,5 % y la velocidad de viento alcanzó 1,0 m/s (Leguízamo C., 2021).

Figura 15. Temperatura máxima, mínima y promedio registrada por la herramienta informática CLIMET PLUS en la sede “Jardín Forestal” de la Universidad de Ciencias Aplicadas y Ambientales U.D.C.A

Fuente: (Leguízamo C., 2021).

0

5

10

15

20

25

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

Temperatura

T_MAX

T_MIN

T_PROM

4.2. Manejo del cultivo

Antes del establecimiento de la parcela experimental se realizó un análisis de suelo, elaborado por el laboratorio Dr. Calderón LABS el 17 de agosto del 2022, con el propósito de ser utilizados como referencia para establecer el plan de fertilización . La preparación de la parcela experimental se llevó a cabo con el tractor Kubota® L4400, que cuenta con un motor V2203 y una potencia de 45,3 HP. Este tractor dispone de una toma de fuerza independiente que opera a 540 rpm (KUBOTA, 2006). Se utilizó junto con el rotovator SHARKTIMAN® Rotary Triller Mini Series- STR-1.0, que tiene un ancho de trabajo de 1070 mm y una profundidad máxima de trabajo de 150 mm (SHARKTIMAN®, s.f).

Una vez acondicionado el suelo, se construyeron cinco camas de 1,20 m de ancho y 20 m de largo mediante un azadón. Luego, se establecieron germinadores con semillas de zanahoria, las cuales después de un mes, generaron plántulas que fueron sembradas en tres líneas por cama, manteniendo una distancia de 15 cm entre ellas (ver Figura 16).

Figura 16. Distribución de siembra. *51 días después de la siembra*.

Fuente: (Elaboración propia, 2024).

Siguiendo un enfoque agroecológico, los insumos aplicados fueron elaborados por estudiantes de la clase de transferencia de tecnología de la universidad U.D.C.A. Entre ellos se encuentran el Bocashi, Pasto fermentado e Hidrolato. Gran parte de los compuestos de estos preparados son materiales orgánicos, los cuales son característicos por tener altos

contenidos de minerales e inóculos de micoorganismos que mineralizan los nutrientes hasta convertirlos en formas inorgánicas, debido a esto son conocidos por aumentar la materia orgánica, el contenido de nutrientes y la biomasa microbiana en el suelo (Bulluck et al., 2002; Edmeades, 2003; Melero et al., 2006) El Bocashi es un abono orgánico fermentado que se obtiene a partir de la descomposición anaeróbica (sin oxígeno) de residuos orgánicos, gracias a la acción de microorganismos y quimioorganotróficos presentes en los materiales. Este proceso produce un material de lenta descomposición que fertiliza y nutre el suelo de manera paulatina. Para su preparación, es necesario utilizar los ingredientes establecidos en la Tabla 6, los cuales contribuyen a optimizar las propiedades físicas, química y biológicas del suelo, mejorando su estructura y textura, aportando macro y micronutrientes, y promoviendo la actividad macrobiológica. La preparación del bocashi consiste en mezclar uniformemente los ingredientes hasta convertir una pirámide de un metro y veinte centímetros. Para su óptima preparación es fundamental revolver o voltear la mezcla con regularidad, evitando temperaturas altas que pondrían afectar su resultado. La duración de la elaboración puede variar entre 15 y 20 días. Los aportes nutricionales del bocashi se presentan en Tabla 6 (Restrepo & Agredo, 2020).

Tabla 6. Componentes del Bocashi y su aporte al suelo.

Ingrediente Aporte al suelo o al abono Cabón vegetal y Cascarilla de arroz Mejoran las características físicas del suelo, como la textura y la estructura, contribuye a la aireación y absorción de humedad, lo que permite una mayor capacidad de expansión de las raíces de las plantas. El carbón, al generar calor, actúa como regulador térmico para las raíces en condiciones de bajas temperaturas. Por su parte, la cascarilla de arroz, rica en silicio, proporciona a las plantas la capacidad de metabolizar este elemento, lo que les ayuda como protección contra plagas y enfermedades. Una vez que se descomponen, estos materiales se convierten en humus, un compuesto producido por microorganismos que contribuyen a la nutrición del suelo.

Gallinaza o Principalmente fuente de nitrógeno (N), aporta macro y micro

estiércol nutrientes, mejorando el contenido nutricional del suelo. Además, proporciona inóculos microbiológicos que contribuyen en las propiedades químicas, físicas y biológicas del terreno. Ingrediente Aporte al suelo o al abono Salvado de arroz Favorece el grado de fermentación microbiológica del abono y estimula las actividades enzimáticas. Además, aporta nitrógeno (N), fósforo (P), potasio (K), calcio (Ca), zinc (Zc) y magnesio (Mg). Melaza de caña o panela Principal fuente de energía para la actividad microbiológica que fermenta el abono. Rica en macronutrientes como el potasio (K), calcio (Ca), fósforo (P) y magnesio (Mg), así como micronutrientes como el boro (Br), zinc (Zc), manganeso (Mn), hierro (Fe) y cobre (Cu). Levadura, tierra virgen o manto forestal Inoculantes base para la propagación de microorganismos. Carbonato de calcio [CaCO3], Cal agrícola o cenizas de madera Comúnmente conocida como cal dolomita, su función es regular la acidez durante el proceso de fermentación del abono. Así mismo, aporta calcio [Ca].

Agua Homogeniza los ingredientes del abono y brinda las condiciones ideales para el desarrollo de la actividad microbiana. Se agrega una vez se prepara.

Fuente: (Restrepo & Agredo, 2020).

Tabla 7. Aporte nutricional del Bocashi.

Insumo Componentes Cantidad Bocashi Nitrógeno [N] % - ppm 1,02 – 10.200 Fósforo [P]

0.57 - 5.700

Potásio [K]

0.49 - 4.900

Calcio [Ca]

2.29 – 22.900

Magnesio [Mg]

0.20 – 2.000

ppm

Hierro [Fe]

2.95

Manganeso [Mn]

5.06

Zinc [Zn]

114.66

Cobre [Cu]

26.66

Fuente: (Restrepo & Agredo, 2020).

El Biol o abono orgánico obtenido a partir de la descomposición anaeróbica de desechos orgánicos (Gil Ramírez et al., 2023), conformado por leche o sus derivados como el suero, ceniza o fosfitos, melaza, estiércol y agua, algunas veces es enriquecido con rocas molidas, sales minerales o sulfatos como el magnesio (Mg), zinc (Zc), cobre (Cu) etc. Dentro de su composición puede ser añadido el pasto fermentado, el cual es una mezcla de pasto fresco que ha sido fermentado durante varios días junto con agua, melaza y ceniza volcánica, por lo que su aporte nutricional es mineral y micoorganismos. Por su parte la harina de rocas en su contenido predomina el silicio (Si) 25%, fósforo (P), potasio (K), magnesio (Mg) y otros minerales menores en 10% (Restrepo & Agredo, 2020).

El período de fermentación puede variar de 30 a 90 días, siendo fundamental que el recipiente sea totalmente hermético para evitar la salida de gases (Restrepo et al., 2020). Aporta en ámbitos nutricionales y defensa de la planta a través de ácidos orgánicos, hormonas de crecimiento (auxinas y giberelinas), antibióticos, minerales, vitaminas (tiamina y riboflavina), enzimas, coenzimas, carbohidratos, aminoácido y azúcares. Así mismo, nutren, recuperan y reactivan la vida en el suelo (Restrepo et al., 2020; Gil Ramírez et al., 2023). Por otro lado, el hidrolato es un abono compuesto por humus e hidróxido de potasio (KOH). Su preparación tarde de tres a cuatro días, tiempo necesario para que se produzca la hidrólisis química entre ambos componentes y se liberen los nutrientes minerales (Orozco Aceves, 2019). El humus forma parte de los lixiviados del lombricompost o vermipompost, que contienen nutrientes, microorganimos y ácidos húmicos (Zamora, 2017). El vermicompostaje o lombricompostaje es un proceso en el que las lombrices de tierra transforman residuos orgánicos en vermicompost, lo que aporta materia orgánica al suelo, esencial para mantener la fertilidad a largo plazo (Blouin et al., 2019). En la Tabla 8 se presentan los componentes y cantidades de cada uno, utilizados en la elaboración del Biol y el Hidrolato.

Tabla 8. Composición y cantidades de los ingredientes utilizados en la elaboración de los insumos agroecológicos: Biol e hidrolato.

Insumo Componenetes Cantidad Biol Agua L

180

Melaza

4

Suero

4

Sulfato de Zinc [ZnSO4] kg

1

Sulfato de Cobre [CuSO4]

1

Pasto fermentado

5

Harina de roca

2

Ceniza [Fosfitos de potasio]

4

Hidrolato Lombricompost

50

Hidróxido de potasio [KOH]

2

*Los ingredientes y cantidades fueron planteados en la clase de Transferencia de tecnología* Fuente: (Elaboración propia, 2024).

A continuación, en la Tabla 9, se presenta un resumen de las labores realizadas durante el desarrollo del cultivo, detallando las fechas de ejecución, las actividades realizadas, y, en el caso de las aplicaciones, la dosis de cada insumo agroecológico.

Tabla 9. Actividades realizadas en la parcela experimental de zanahoria. Fecha Actividad Insumos 7/09/22 Establecimiento de la parcela experimental

-

Alistamiento y germinación de semillas de zanahoria

-

6/10/22 Aplicación -Bocashi 25 kg/planta

- Biol 250 ml/45 m2

-Hidrolato 250 ml/45 m2 10/10/22 Siembra por trasplante

-

21/10/22 Aplicación -Bocashi 25 kg/planta

Fecha Actividad Insumos 18/11/22 Aplicación -Biol 250 ml/45 m2 -Hidrolato 250 ml/45 m2 29/11/22 Labor cultural: deshierbe manual

-

14/12/22 Aplicación -Biol 250 ml/45 m2 -Hidrolato 250 ml/45 m2 8/02/23 Cosecha

-

Fuente: (Elaboración propia, 2024).

4.3. Recolección y captura de datos en campo

Figura 17. Diagrama de flujo de la metodología realizada para la recolección de datos.

Fuente: (Elaboración propia, 2024).

Ventusky es una plataforma web que permite visualizar parámetros meteorológicos como la presión atmosférica, el viento, la nubosidad, la precipitación y la temperatura en una zona específica para una fecha y hora determinada. Esta herramienta se empleó antes de cada muestro, enfatizándose en variables como el viento, la precipitación y temperatura en Bogotá. El objetivo fue evitar días con precipitaciones y poca nubosidad, con el fin de obtener las condiciones óptimas para la toma de muestras y reducir la excesiva reflectancia solar, que afectaría la sensibilidad de la cámara (Bannari et al., 1996). Los momentos de recolección y procesamiento de datos se dividieron en tres fases: la primera el 29 de noviembre del 2022, la segunda el 20 de enero del 2023 y la tercera el 31 de enero del 2023. Al inicio de cada recolección de datos, se extrajeron las coordenadas GPS del contorno de la parcela experimental. Sin embargo, no fue posible obtener las coordenadas de los puntos de

mediciones correspondientes a la malla de muestreo, debido a errores verticales del dispositivo. Como solución, se utilizó un decámetro para trazar la malla de muestreo, que se había planteado inicialmente con separaciones de 2,4 m en sentido perpendicularmente y 1.8 m entre los puntos de muestreo, para así registrar las mediciones en cada una de las intersecciones. Esto permitió ubicar 40 puntos de muestreo distribuidos en cinco columnas (correspondiente al número de camas) y ocho filas dentro del área total de 220 m2; sin embargo, como se muestra en la Figura 18 este trabajo de investigación fue realizado para el polígono resaltado en azul correspondiente al manejo agroecológico.

Figura 18. Distribución de los puntos de muestreo dentro del polígono de la parcela experimental, en azul el polígono agroecológico.

Fuente: (Elaboración propia, 2024).

La propuesta de la malla de muestreo se fundamentó en una revisión de literatura, en que estudios como los de Radočaj et al., (2021) y Li, (2010) determinaron que existe una baja dependencia entre la densidad de muestreo del suelo y la precisión de la interpolación espacial de parámetro de suelo. En cambio, encontraron correlaciones más significativas con la clase de cobertura terrestre, los factores climáticos y el manejo del suelo (Ballabio et al., 2019; Q. Liu et al., 2013). Así mismo, Li (2010) analizó diferentes densidades de muestreo y concluyó que distancias de 250 m presentaron mayor precisión en la interpolación de la variabilidad espacial de las propiedades del suelo.

Los sensores al tener la capacidad para recolectar datos con una mayor precisión y facilidad

los convierten en herramientas ideales para caracterizar la variabilidad dentro de un campo, superando así a los métodos tradicionales (Birrell & Hummel, 1997). Por lo anterior, las mediciones en este trabajo se llevaron a cabo a través del sensor genérico portátil modelo 4001-BXSZD versión 1.0. Este sensor opera mediante principios eléctricos y electromagnético, aprovechando las propiedades dieléctricas naturales del suelo, como la conductividad eléctrica (CE), para medir parámetros físicos y químicos (Adamchuk et al., 2004; Johnston et al., 2022). Por medio de los electrodos fabricados con materiales como membrana de vidrio o polímero, el dispositivo mide en tiempo real la cantidad total de nitrógeno (N) [ppm], fósforo (P) [ppm], potasio (K) [ppm], humedad volumétrica (HV) [%], pH, conductividad eléctrica (CE) [us/cm] y temperatura [°C] del suelo (Adamchuk et al., 2004; Birrell & Hummel, 1997). Además, con el fin de facilitar su uso, el fabricante proporciona ecuaciones de calibración que agilizan y automatizan el proceso de captura de datos (Singh et al., 2018; Vaz et al., 2013).

Como se muestra en la Figura 19, el sensor fue insertado en los primeros 10 cm de profundidad del suelo, siguiendo la malla de muestro. Se evaluaron los siguientes parámetros: N, P, K y HV. Entre cada medición, se empleó un pañuelo para retirar los restos de partículas de suelo de la medición anterior.

Figura 19. Captura de datos. a. Partes del sensor genérico portátil modelo 4001-BXSZD versión 1.0. b. Recolección de datos en campo.

Fuente: (Elaboración propia, 2024).

a b Sensor Electrodos Panel de control

Tras la recolección de datos, se precedió a realizar la captura de imágenes aéreas utilizando un dron Mavic 2 Pro, equipado con una cámara RGB de 20 megapíxeles efectivos. Los vuelos fueron programados mediante la aplicación DroneDePloy, la cual, a partir de parámetros como latitud de vuelo y superposición de imágenes, calcula el tiempo de vuelo, el área total a cubrir, el número de imágenes a capturar y la cantidad de baterías necesarias. Una vez finalizado el proceso de programación, el dron se conectó a un control remoto y a un dispositivo para proceder con la captura de imágenes (Ahmed & Mahmud, 2022). El plan de vuelo, denominado “Colegio Verde”, incluyó las coordenadas de la parcela experimental, como se muestra en la Figura 20. Con esta esta información, la aplicación generó un polígono en el que trazó las rutas que el dron seguiría para capturar las imágenes. En este caso, el polígono abarcaba tanto el al área sembrada con zanahoria (Daucus carota) en la parte superior como el cultivo colindante de papa (Solanum tuberosum) en la parte inferior.

A partir del polígono, la aplicación estableció los parámetros de vuelo: una altitud de 10 m, un área total de 944 m2 (esta área corresponde al área general del lote de zanahoria junto con un lote colindante de papa, el cual está ubicado en la parte inferior) y traslapes estándar de 78% en horizontal y 75% en vertical, que no fueron modificados. Cada vuelo tuvo una duración de entre 8 y 9 minutos, capturando un total de 153 imágenes con una batería.

Figura 20. Planificación del vuelo en la aplicación DroneDePloy. a. Trazo del polígono y rutas de vuelo. b. Parámetros predeterminados para la ejecución del vuelo.

Fuente: (Elaboración propia, 2024).

a b

4.4. Metodología por objetivos específicos

4.4.1. Objetivo específico 1: Identificar la variabilidad espacial de la composición

química de una parcela bajo un esquema de producción de zanahoria agroecológica.

Figura 21. Diagrama general de la metodología implementada en el objetivo específico 1.

Fuente: (Elaboración propia, 2024).

Con el objetivo de verificar gráficamente la correlación entre las variables evaluadas, se generaron correlogramas para las parejas de variables correspondientes a cada momento de evaluación, lo cuales proporcionaron los coeficientes de correlación lineales para cada par de variables. Estos gráficos funcionaron como indicadores iniciales para complementar los análisis estadísticos posteriores.

El proceso se realizó en R, comenzando por la instalación y cargar las librerías “sgeostat” y “mvoutlier”. Luego, se cargó el archivo shapefile con los datos asociados a cada momento de procesamiento mediante la función rgdal::readOGR. Posteriormente, se graficaron las dos variables mediante la función corr.plot. Las parejas de variables analizadas fueron: N~P, N~K, P~K, HV~N, HV~P y HV~K.

A causa de que el primer objetivo específico de este trabajo es identificar la variabilidad de las variables del suelo evaluados (N, P, K y HV), es necesario que las mediciones estén asociadas a las coordenadas correspondientes del lugar de muestreo. En el caso de las parcelas experimentales, es suficiente con crear una base de datos, como se observa en la Figura 22, que incluya la posición de la muestra, las coordenadas (planas, geográficas en grados, minutos y segundos o cartesianas) y las mediciones de cada parámetro, facilitando su manejo y procesamiento posterior (Giraldo Henao, 2011; Radočaj et al., 2021; Tola et al.,

2017).

Figura 22. Distribución de la base de datos para procesamientos geoestadísticos.

Fuente: (Giraldo Henao, 2011).

Debido que la información se guardaba automáticamente al tomar las mediciones con el sensor, al finalizar las tres fases, se procedió a extraer y organizar los datos en archivos Microsoft Excel, siguiendo el esquema de la Figura 22. Sin embargo, a causa de la falta de coordenadas por lugar de muestreo, se llevó a cabo la extracción de coordenadas y delimitación del polígono a través de la herramienta SIG QGIS. Para esto, en primer lugar se generó el ortomosaico por medio de la aplicación OpenDronMap (ODM), en donde fueron agrupadas las imágenes capturadas por el dron, extraídas sus dimensiones y analizada la información GPS de cada imagen para posteriormente generar una nube de puntos dispersa

que funcionaría como base para la construcción de la malla vectorial. La nube de puntos es georreferenciada por lo que es transformado el sistema de coordenadas local al global. En caso de presentarse zonas sin información ODM emplea el método de interpolación de Distancia Inversa Ponderada (IDW) para calcular los valores desconocidos a partir del promedio de los puntos vecinos más cercanos (Vargas Diaz et al., 2023; Vacca, 2020). Posteriormente, se aplica un filtro de mediana para eliminar valores erróneos que puedan generar ruido, con el fin de obtener como se observa en la Figura 23 una imagen completa y coherente (Vacca, 2020).

Figura 23. Ortomosaico del momento 1 de procesamiento, elaborado con la aplicación OpenDroneMap (ODM).

Fuente: (Elaboración propia, 2023).

El sistema de información geográfica cuántica (QGIS) es una aplicación de uso libre que permite leer y procesar información espacial como imágenes o datos geográficos, brindando la posibilidad de plasmar mapas, tablas y gráficos que faciliten su comprensión (Flenniken et al., 2020; Moyroud & Portet, 2018). Mediante la versión 2.18.28 de esta plataforma, se extrajeron las coordenadas de cada lugar de muestreo según la malla vectorial establecida inicialmente. Para esto, todos los procesos a continuación se hicieron bajo el sistema de coordenadas mundial 32618-WGS84/UTM Zone 18, con el fin de manejar un mismo sistema en todas las actividades ejecutadas en el trabajo.

Para comenzar, se subió la imagen del ortomosaico correspondiente al momento 1 como capa ráster, sobre la cual se creó una capa shape de tipo polígono y se trazó el contorno de la

parcela experimental de zanahoria. Posteriormente, se utilizó la herramienta de cuadrícula vectorial en la que se definió las distancias de 2,4 m en el eje X y 1,8 m en el eje Y, correspondientes a las medidas establecidas para la malla de muestreo. Luego, con la herramienta intersección de líneas, se resaltaron los puntos de intersección de la malla, correspondientes a los puntos de muestreo donde se llevaron a cabo las mediciones. Seguido de esto, mediante las herramientas de cortar, borrar y mover objeto espacial, se ubicaron estos puntos dentro del polígono, de tal forma que se distribuyeran cinco puntos a lo ancho (correspondiente al número de camas) y siete a lo largo, para un total de cuarenta puntos. Una vez “limpia” la capa de los puntos, se abrió la tabla de atributos, donde se calcularon las coordenadas X y Y para cada lugar de muestreo utilizando las funciones “$X” y “$Y”. Finalmente, tanto los puntos como las coordenadas se organizaron de modo que siguieran un orden de muestro en zigzag, para ser copiadas al archivo Excel de la base de datos correspondiente a cada una de las fases.

Figura 24. Diagrama de flujo de la metodología implementada para el procesamiento de los datos en el software R.

Fuente: (Elaboración propia, 2024).

La metodología para determinar la variabilidad espacial de los parámetros evaluados

consistió en geoestadística univariada, siguiendo la propuesta por Orjuela-Matta et al., (2023), en donde evaluaron una metodología de integración gráfica para identificar la variabilidad espacial de la infiltración acumulada en el suelo utilizando el software R. Inicialmente se cargaron las bibliotecas “sp”, “gstast”, “maptools”, “raster”, “ggplot2” y “rgdal”, la cuales fueron previamente instaladas y contienen las funciones necesarias. A continuación, se creó un objeto utilizando la función rgdal::readOGR para cargar el archivo tipo shapefile (.shp) que contiene la capa de nodos o puntos de muestreo generadas por QGIS. Este proceso busca proporcionar los puntos de muestreo junto con su información geográfica. Considerando que la base de datos cargada incluye todos los parámetros medidos por el sensor, mediante la función subset se extrajeron las columnas: Nodo, Coordenada en los ejes X y Y, N, P, K y HV. No se realizó ajustes de los datos a una distribución normal, se procesaron tal como fueron captados por el sensor (Orjuela-Matta et al., 2023; Vargas Diaz et al., 2023).

Posteriormente, se propuso un semivariograma experimental omnidireccional para describir la estructura espacial de la variable y su correlación con los puntos más cercanos (Ayele et al., 2020; Bogunovic et al., 2014). Este enfoque se centró en determinar la variabilidad espacial en función de la distancia entre los puntos sin considerar la dirección de estos, clasificándolo como un proceso isotrópico (Giraldo Henao, 2011). Para ello, se creó un objeto que representara el semivariograma experimental (SE), definiendo como argumentos la variable a analizar, para este caso, N, la base de datos y la columna con las observaciones del parámetro evaluado.

Como se muestra en la figura 25, el mapa del SE representa los pares de puntos muestreados que presentan variabilidad espacial (semivarianza) a una distancia (Bhunia et al., 2018a; Giraldo Henao, 2011; KAMARUDIN et al., 2022; Shit et al., 2016). A partir de aquí, se procedió a crear el semivariograma teórico (ST) basado en el experimental, buscando que su ajuste convergiera con el mayor número de pares de puntos. Este proceso requirió la selección manual de los coeficientes de sill, rango y nugget, los cuales determinan la trayectoria del modelo teórico.

ve2.1= variogram (N ~ 1, Nodos_zanahoria_2.2$N, data=Nodos_zanahoria_2.2

(1)

Figura 25. Semivariograma experimental (SE) del parámetro nitrógeno (N) en el momento

1.

Fuente: (Elaboración propia, 2024).

Como se detalla en la línea de código número 2, se empleó la función vgm del paquete gstat, en la que se definieron los valores de cada coeficiente como argumentos, así como el modelo teórico seleccionado de entre los 17 disponibles en las librerías de Rstudio (Orjuela-Matta et al., 2023). Para la elección de los coeficientes, se tomaron como base los valores de semivarianza y distancias correspondientes a los pares de puntos. En ese contexto, el valor del nugget (𝐶0) se definió como la semivarianza de la pareja de puntos con la menor distanciada entre sí, es decir el primer par de puntos (Bogunovic et al., 2014). Partiendo que, a medida que el rango (𝑚) disminuye, el modelo se aproxima a la independencia espacial, la selección de los coeficientes de sill (𝐶0 + 𝐶) y rango (𝑚) se centró en los pares de puntos con mayor separación, dado que esa distancia representa la diagonal máxima donde existe dependencia espacial y abarca la mayor cantidad de parejas, aumentando la convergencia sobre los demás puntos. Además, se tuvo en cuenta que el valor de la sill debía ser menor que el del nugget (Bohorquez, 2022; Bogunovic et al., 2014; Orjuela-Matta et al., 2023).

En cuanto a la elección del modelo teórico, se realizó una revisión de literatura sobre los modelos más utilizados para representar la variabilidad espacial de los parámetros físicos y químicos del suelo. Se encontró que los modelos gaussianos, esférico, exponencial y cuadrático presentaban un mejor ajuste (Li et al., 2022; Selmy et al., 2020), por lo que fueron vt2.2= vgm(psill= 1.7265, model="Bes", range= 5.9604, nugget=1.5000)

(2)

evaluados en los cuatro semivariogramas teóricos postulados. En caso de no lograr convergencia, se probaba con otros modelos, y si ninguno resultaba efectivo, el parámetro se clasificaba como “efecto pepita”, indicando que a la distancia X, las muestras se consideran especialmente independientes (ver Figura26) (Bohorquez, 2022;Bogunovic et al., 2014).

Figura 26. Representación del ST (línea) y el SE (puntos).

Fuente: (Elaboración propia, 2024).

Una vez establecidos los semivariogramas, se procedió con la interpolación. La elección de la técnica de interpolación partió del supuesto de estacionariedad, dado que solo los procesos estacionarios de segundo orden tienen “sill” (Bohorquez,2022). También se consultaron otras investigaciones que buscaban predecir parámetros del suelo. Por lo tanto, se optó por la técnica de Kriging ordinario (KO), por su aplicabilidad a parámetros del suelo y facilidad de manejo (Bhunia et al., 2018); así mismo, es comúnmente utilizada para fenómenos geoestadísticos estacionarios (Bohorquez, 2022; Giraldo Henao, 2011; Vargas Diaz et al., 2023). Antes de ejecutar el método, fue necesario definir el “área alrededor” para la construcción del proceso de interpolación. Para ello, se creó un objeto con la función rgdal::OGR para cargar el archivo del polígono previamente creado en QGIS. Posteriormente, con la función spsample de la librería “sp”, se crea dentro del polígono una nube de puntos dispuesta en una cuadrícula regular; con el propósito de convertirla de puntos a píxeles se emplea la función SpatialPixels para organizar los datos y representarlos en formato ráster para ser utilizados en la interpolación. Como se muestra en la línea de código número 3, la interpolación se ejecutó con la función krige del paquete gstat, en la que se

especificó el parámetro a interpolar, la base de datos, el área en píxeles y el ST.

Luego, se generaron los mapas de contorno y varianza utilizando la función spplot, como se muestra en la Figura 27, con el fin de plasmar la distribución de la variabilidad espacial, y la homogeneidad de la varianza espacial (Orjuela-Matta et al., 2023).

Figura 27. Mapas obtenidos por la interpolación de Kriging ordinario (KO) del parámetro nitrógeno (N) en el momento 1. a. Mapa de contorno. b. Mapa de varianza.

Fuente: (Elaboración propia, 2024).

Para calcular el Error cuadrático medio (RMSE), el Error absoluto medio (MAE) y el Error porcentual absoluto medio (MAPE), se llevó a cabo una validación cruzada con el objetivo de determinar el ST más preciso y, por ende, la interpolación. Primero fue necesario verificar que la variable a evaluar fuera numérica y que la base de datos no contuviera columnas vacías. Luego, como se describe en la línea de código número 4, se utilizó la función krige.cv para ejecutar la validación, especificando la variable a procesar, la base de datos, el objeto correspondiente al ST y el número de pliegues a utilizar. Al establecer este número igual a la cantidad de datos en la base de datos, se implementó la validación “leave-one-out”, que permite dejar un dato fuera del análisis a la vez (Fernández & Cotos, 2022).

Una vez completada la validación cruzada, se procedió a calcular los errores RMSE, MAE y MAPE. Para ello, se extrajeron del objeto de validación las columnas de errores residuales y ok.Bes2.1=krige(N ~ 1, Nodos_zanahoria_2.2, pr.grid2.1,vt2.2) a b validacion_cruzada2.1.2= krige.cv (N ~ 1, Nodos_zanahoria_2.2, vt2.2, nfold=nrow(Nodos zanahoria 2.2))

(3)

(4)

observados, fundamentales para el cálculo de cada tipo de error. El RMSE se determinó a partir del promedio del vector de errores residuales elevado al cuadrado. El MAE, por su parte, se calculó como el promedio absoluto de los errores residuales. Finalmente, el MAPE se obtuvo como el promedio absoluto de los errores porcentuales. El grado de dependencia espacial (GDS) se calculó de acuerdo con lo propuesto por Orjuela- Matta et al., (2023). Como se observa en la Tabla 10, por cada parámetro evaluado se tomaron los cuatro semivariogramas teóricos propuestos y por medio de los valores de los coeficientes correspondientes al nugget (𝐶0), sill (𝐶0 + 𝐶) y rango (𝑚), se determinó la relación entre la sill y el nugget ( 𝐶0 (𝐶0+𝐶)) correspondiente al GDS. Según los resultados obtenidos en GDS, se clasificó como fuerte cuando GDS>75%, moderada para GDS entre 25% y 75% y débil si GDS<25% (Cambardella et al., 1994; Cortes-D et al., 2018; Orjuela- Matta et al., 2023). Posteriormente, se clasificó en la columna de Incidencia de la interpolación de Kriging (IKI), que indica los semivariogramas teóricos que lograron un mejor ajuste con respecto al SE, corroborando la información en función del grado de homogeneidad identificado en los mapas de varianza. Así, se marcaba con un (*) al modelo que presentaba homogeneidad y (+) a los restantes considerados heterogéneos. En el caso de un efecto pepita (Nug), se clasificaba como no aplica (DNA), dado que no presentaban variabilidad espacial.

Tabla 10. Esquema implementado para la determinación del grado de dependencia espacial (GDS) y la Incidencia de la interpolación de Kriging (IKI). Nug: efecto nugget o pepita puro; Bes: Bessel; Hol: Hole; Gau: Gaussiano; DNA: no aplica.

Fuente: (Orjuela-Matta et al., 2023)

Una vez obtenidos los resultados, se registraron de la manera mostrada en la Tabla 11, con el fin de facilitar su interpretación y así de acuerdo con la Figura 28 seleccionar el modelo más adecuado. Es importante señalar que los cuatro semivariogramas teóricos propuestos anteriormente, fueron organizados de esa forma por fase y variable.

Tabla 11. Esquema implementado para la agrupación de los resultados por parámetro que se tuvo en cuenta. *En la imagen está representado uno de los modelos teóricos propuesto para el parámetro de potasio (K) del momento 1.

Fuente: (Elaboración propia, 2024).

Figura 28. Esquema implementado para la selección del modelo más adecuado por parámetro.

Fuente: (Elaboración propia, 2024).

4.4.2. Objetivo específico 2: Evaluar la composición química del suelo a partir de

la captura y procesamiento de imágenes “tribanda” RGB.

Figura 29. Diagrama de flujo de las actividades ejecutadas en el objetivo específico 2.

Fuente: (Elaboración propia, 2024).

Para el desarrollo de este objetivo, se llevó a cabo el procesamiento de los ortomosaicos en el software R, con el fin de obtener el Green Red Index (GRVI) y Green Leaf Index (GLI), ya que son índices de vegetación que utilizan la banda visible de rojo, verde y azul (RGB) que tiene la cámara utilizada en el presente estudio, así mismo han sido utilizados en diversas investigaciones por su facilidad de interpretación y su capacidad para detectar cambios en la cobertura vegetal y el vigor de las plantas (Ballester et al., 2019; Bassine et al., 2019; A. Chen et al., 2018; Eng et al., 2019; Ishihara et al., 2015; Motohka et al., 2010). Se planteó para desarrollarse con los ortomosaicos asociados a las tres fases de recolección y procesamiento de datos; sin embargo, debido a problemas en la obtención de imágenes dron, el ortomosaico del momento 2 presentó un desfase, ocasionando un recorte de la parcela experimental cuando fue construido en ODM. Como resultado, se desarrolló para el momento

1 y 3. Además, se utilizó el ortomosaico base de cada fase para ser recortado la zona

correspondiente al manejo agroecológico a través de la herramienta cortar ráster en QGIS, para posteriormente guardar y procesar en Rstudio (ver Figura 30).

Figura 30. Recorte del ortomosaico correspondiente al polígono de la zona gestionada bajo un enfoque agroecológico para el momento 1.

Fuente: (Elaboración propia, 2024).

Primero, se instalaron y cargaron las librerías “sp” y “raster”. Luego, se importó el ortomosaico cortado correspondiente a la fase utilizando la función brick de la librería raster, para calcular los índices de vegetación de acuerdo con sus ecuaciones matemáticas. Como se muestra en las líneas de código 5 y 6, cada índice se creó bajo un objeto que, según la ecuación, contenía los valores correspondientes a las bandas espectrales. Esto es posible gracias a las funcionalidades de la librería raster, que permite leer y procesar automáticamente las bandas asociadas a una imagen mediante la aplicación de álgebra de mapas (Lemenkova & Debeir, 2022). En ese contexto, el número “tres” hace referencia a la banda roja, “dos” a la banda verde y el “uno” a la banda azul. En la ecuación, se evidencia cómo se extraen las bandas pertinentes del objeto que contiene el ortomosaico (raster_data).

grvi = (raster_data[[3]] - raster_data[[2]]) / (raster_data[[2]] + raster_data[[3]]) gli = (((raster_data[[2]] - raster_data[[3]]) + (raster_data[[2]] - raster_data[[1]]))/ (2*(raster_data[[2]] + raster_data[[3]]+raster_data[[1]])))

(5)

(6)

Finalmente, se generó un gráfico con la función plot (ver Figura 31) y se guardó como archivo GeoTIFF (.tiff) con la función writeRaster para ser procesado en el siguiente objetivo específico. Cabe destacar que, dado que la cámara del dron Mavic 2 Pro es RGB (capta la banda rojo-verde-azul), no fue posible calcular índices más indicativos respecto al estado del cultivo, como el índice de vegetación de diferencia normalizada (NDVI) que más representativo en cuento al estado del cultivo (Vélez et al., 2023).

Figura 31. Mapas Green Red Index (GRVI) y Green Leaf Index (GLI) del área gestionada agroecológicamente, obtenidos en el software Rstudio para el momento 1.

Fuente: (Elaboración propia, 2024).

4.4.3. Objetivo específico 3: Desarrollar un análisis de integración gráfica a partir

de los resultados de variabilidad espacial frente a los procesamientos de imágenes de dron RGB.

Figura 32. Diagrama de flujo de las actividades desarrolladas en el objetivo específico 3.

Fuente: (Elaboración propia, 2024).

El propósito de esta metodología es establecer una relación visual entre los resultados de los índices de vegetación y los mapas de contorno, es decir, contrastar la cobertura terrestre con la distribución de las concentraciones de las variables en el área evaluada. Al no disponer del ortomosaico del momento 2, este objetivo fue desarrollado para el momento 1 y 2.

Una vez seleccionado el modelo de ST más adecuados, se precedió a crear un objeto raster en Rstudio utilizando la función raster. Según la línea de código número 7, se estableció como argumento la gráfica de la interpolación realizada por Kriging ordinario (KO), extrayendo la columna “var1.pred” del objeto que contiene los resultados de la interpolación

(ok.Bes2.1).

Posteriormente, el objeto raster se guardó en formato GeoTIFF (.tiff) mediante la función writeRaster del paquete raster. A continuación, con los archivos tipo GeoTIFF guardados anteriormente del mapa de contorno y de los índices de vegetación, se crearon capas raster de cada uno en QGIS. Para asegurar una correcta visualización, se organizó el panel de capas de tal forma que primero se encontrara el mapa de contorno y luego el mapa del índice de vegetación correspondiente. Una vez dispuestas las capas en ese orden, cada capa fue rediseñada modificando aspectos de luz y aplicando transparencia del 60% al mapa de contorno, con el propósito de visualizar tanto la parte del mapa del índice de vegetación como las tonalidades del mapa de contorno, en marcados dentro del polígono correspondiente (ver Figura 33).

Figura 33. Integración grafica entre el GRVI y el mapa de contorno del modelo Gaussiano para la variable nitrógeno (N) en el momento 1.

Fuente (Elaboración propia, 2024).

raster_Bes= raster(ok.Bes2.1["var1.pred"])

(7)

5. RESULTADOS

5.1. Objetivo específico 1: Identificar la variabilidad espacial de la composición

químicas.

Los resultados de análisis de suelo fueron utilizados como base para comprender el estado inicial del suelo y ser utilizados como referencia para entender la variación espacial de las variables evaluadas: nitrógeno (N), fósforo (P), potasio (K) y humedad volumétrica (HV), en relación con el manejo agroecológico del cultivo de zanahoria. En la Tabla 12 se plasman dichos resultados.

Tabla 12. Resultado de análisis de suelo correspondiente a la parcela experimental. D: deficiente; B: bajo; M: medio; A: alto; E: excesivo; FA: fuertemente ácido Propiedades químicas Elemento Valor Unidades Clasificación * Amonio (N-NH4)

5

Ppm D Nitrato (N-NO3)

30

Ppm B Fósforo (P)

6

Ppm D (Bogunovic et al., 2017) Potasio (K)

0,36

meq/100cc B (Bogunovic et al., 2017) Calcio (Ca)

4,44

meq/100cc B Sodio (Na)

0,22

meq/l B Magnesio (Mg)

1,26

meq/10cc B Manganeso (Mn)

5

Ppm D Aluminio (Al) N.A (No detectable) B Azufre (S)

12

Ppm D Hierro (Fe)

156

Ppm M Cobre (Cu)

0,10

Ppm D Zinc (Zn)

4,30

Ppm M Boro (B)

0,18

Ppm D Parámetro Valor Unidades Clasificación* pH

5,56

-

FA Conductividad eléctrica (CE)

0,27

mS/cm D Saturación de bases (SB)

100

%

Capacidad de intercambio catiónico (CIC)

29,74

meq/100g A Materia orgánica (MO)

17,44

%

A (Bogunovic et al., 2017) Carbono orgánico (CO)

10,12

%

M

Saturación de humedad (SH)

62

%

A Propiedades físicas Textura Limosa Limo

87

%

-

Arcilla

9

%

-

Arena

4

%

-

Densidad aparente (DA)

0,62

g/cc

-

*Se utilizó la clasificación propuesta por el laboratorio; sin embargo, algunas que no estaban clasificadas, lo fueron a partir de referencias bibliográficas*

Los resultados obtenidos de los correlogramas mostraron que las variables N, P y K presentaron correlaciones positivas de Pearson entre 0,90 y 0,99 en los tres momentos de procesamiento (ver Anexo 1). En cuanto a los correlogramas entre la variable HV y las demás (N, P y K), en el primer momento se observaron correlaciones negativas, con valores -0.17 y -0,21. Para el segundo momento, las correlaciones fueron cercanas a cero, por lo que no se consideraron significativas. En el tercer momento, las correlaciones se volvieron positivas, con valores entre 0,42 a 0,52 (ver Tabla 13).

Tabla 13. Correlogramas de las variables N, P y K en los tres momentos de procesamiento V Momento 1 Momento 2 Momento 3 N-P N-K K-P

*V: variables emparejadas* Fuente: (Elaboración propia, 2024).

Por otro lado, a partir de las tablas de resultados generales (Anexo 2), que incluyen los datos correspondientes a los cuatro modelos teóricos postulados por variable y fase de procesamiento, se determinó que los modelos Bessel, Gaussiano, Hole y Nugget (efecto pepita) fueron los que se evaluaron con mayor frecuencia como opciones para seleccionar el método más representativo y preciso. Además, según las tablas obtenidas para calcular el GDS mostraron una dependencia espacial débil o moderada en todos los modelos analizados. En el caso al modelo Bessel, como se observa en la Figura 34, se presentó una tendencia divergente respecto a los valores del semivariograma experimental. Por su parte, el modelo Gaussiano mostró convergencia, aunque no alcanzó una precisión total en todos los puntos. En cambio, el modelo Hole ofreció un mejor ajuste y seguimiento de los puntos experimentales.

Figura 34. Comparación en el ajuste del ST al SE. a. Modelo Bessel. b. Modelo Gaussiano.

c. Modelo Hole.

Fuente (Elaboración propia, 2024).

Los mapas de interpolación o contorno generados mediante Kriging ordinario (KO) para los modelos Bessel y Gaussiano exhibieron colores y patrones definidos. Además, los mapas de varianza correspondientes se caracterizaron por tonalidades homogéneas, predominando los colores oscuros. En contraste, el modelo Hole generó mapas de contorno menos nítidos y mapas de varianza homogéneos, pero con una gama más amplia de tonalidades (ver Figura 35). Sin embargo, todos los coincidieron en el patrón general graficado.

a b c

Figura 35. Comparación de los mapas de contorno y varianza. a. y b. Modelo Bessel. c. y

d. Modelo Gaussiano. e. y f. Modelo Hole.

Fuente: (Elaboración propia, 2024).

Por otro lado, el efecto pepita o Nugget fue evaluado en los cuatro modelos postulados para las variables de nitrógeno (N), fósforo (P) y potasio (K) en las tres fases de procesamiento. En cambio, la variable humedad volumétrica (HV) fue evaluada solo en el momento 1. A partir de los resultados del Anexo 2, se elaboró una segunda tabla que recopiló los modelos seleccionados para cada parámetro en cada fase de procesamiento (Anexo 3). La selección se realizó de acuerdo con los pasos descritos en la Figura 28, dando prioridad a la convergencia del modelo teórico con los pares de puntos experimentales, el GDS y la heterogeneidad y homogeneidad de los mapas de contorno y varianza. En la Tabla 14 se resumen los modelos seleccionados por variable y los principales motivos de su elección, cabe mencionar que todos los modelos teóricos de las variables analizadas presentaron valor de Nugget relativamente alto, así como los pares de puntos del SE, presentaron una distribución no lineal en correlación con las distancias. Ningún modelo alcanzó a estabilizar en el umbral o la silla a b d c e f

debido a la poca cantidad de pares de puntos; sin embargo, la variable HV en el momento 1 tuvo una tendencia exponencial más definida en relación con los demás. Aunque algunos de los modelos seleccionados presentaron parámetros de evaluación óptimos, los errores RMSE y MAE fueron ligeramente elevados en comparación con otros modelos. En cuanto a las variables y sus postulados, en el momento 1, los valores de MAPE oscilaron entre 30 y 40 ppm de error. En el momento 2, el N y el P alcanzaron valores entre 5 x108 ppm y 1 x 109 ppm, el K mostró errores entre 47 ppm y 58 ppm de error, mientras que la HV alcanzó valores máximos de 6,61 ppm y 9,07ppm para el momento 3. Tabla 14. Modelos seleccionados por variable en los tres momentos de evaluación.

*M1: momento 1; M2: momento 2; M3: momento 3*. Fuente: (Elaboración propia, 2024)Fuente: (Elaboración propia, 2024).

Asimismo, se determinó que los parámetros N, P y K mostraron una tendencia similar durante las tres fases de análisis. De acuerdo con la Tabla 14, el modelo que mejor representó la variable de N en el momento 1 fue Gaussiano, mientras el P y el K se ajustaron al modelo Hole. En el momento 2, los valores experimentales del N y P se ajustaron al modelo Hole,

mientras que el K se describió mediante el modelo Gaussiano. Así mismo, cabe resaltas que todas las variables en los momentos 1 y 3 presentaron un GDS entré débil y moderado (GDS<25% y GDS entre 25% y 75%), siendo el K, la única variable que presento GDS débil en ambas fases. Sin embargo, el K en sus valores de semivarianza en el semivariograma experimental, fueron mayores en relación con N y P. Como se observa en la Figura 36 y 37, las variables N, P y K presentaron similitud en la representación gráfica del SE y ST.

Figura 36. Comparación de los gráficos que representan la distribución de valores experimentales (SE) y ajuste modelo teórico (ST) en el momento 1. a. Nitrógeno (N). b. Fósforo (P). c. Potasio (K).

Fuente: (Elaboración propia, 2024).

Figura 37. Comparación de los gráficos que representan la distribución de valores experimentales (SE) y ajuste modelo teórico (ST) para los parámetros N,P y K en el momento 2. a. Nitrógeno (N). b. Fósforo (P). c. Potasio (K).

Fuente: (Elaboración propia, 2024).

Además, partiendo de la Figura 38 y 39, que corresponden a los semivariogramas experimentales de las variables N, P y K en los momentos 1 y 2, se observó que, en distancias de separación de pares de puntos ℎ entre 5,2 y 5,9 m, se obtuvieron valores de semivarianza superiores en comparación con los obtenidos a distancias de 1,8 m, la cual corresponde al a b c a b c

valor del nugget, es decir la semivarianza en la distancia más corta o sea la distancia de muestreo.

De manera similar, en el momento 1, las distancias cercanas a 5,9 m presentaron semivarianzas más altas que las obtenidas con distancias de 1,8 m , aunque no tan altas como las observadas a 5,1 m. Por otro lado, las distancias de separación entre 2,3 m y 4,9 m generaron las semivarianzas más bajas en todo el SE, tanto en el momento 1 como en el momento 2 para las tres variables. También, se evidenció valores de semivarianza más altos en el K en ambas fases, en relación con las demás variables.

Figura 38. Pares de puntos generados por el semivariograma experimental (SE) en Rstudio para el momento 1. a. Nitrógeno (N). b. Fósforo (P) c. Potasio (K).

*np= par de puntos; dist= distancia; gamma = semivarianza*. Fuente: (Elaboración propia, 2024).

Figura 39. Pares de puntos generados por el semivariograma experimental (SE) en Rstudio en el momento2. a. Nitrógeno (N). b. Fósforo (P) c. Potasio (K).

*np= numeración numérica de los pares de puntos; dist= distancia; gamma = semivarianza*. Fuente: (Elaboración propia, 2024).

En el momento 3, los parámetros de nitrógeno (N), fósforo (P) y potasio (K) exhibieron un comportamiento de independencia espacial, lo que llevó a clasificarlos como efecto pepita puro (Nug). Como resultado, tanto los mapas de interpolación como los de contorno y varianza de la interpolación mostraron una distribución constante (ver Figura 40). Figura 40. Representación gráfica de la independencia espacial del nitrógeno (N) para el a b c a b c

momento 3. a. Mapa de contorno o interpolación. b. Mapa de varianza de la interpolación.

Fuente: (Elaboración propia, 2024).

De acuerdo con la tendencia observada en los SE de las variables N, P y K en el momento 1 y 2, los mapas de contorno reflejan dicha similitud. Tal como se muestra en la Tabla 15, sobre cada uno de los mapas de contorno se destacó el polígono correspondiente a la zona gestionada bajo un sistema agroecológico, ya que la imagen general hace referencia a todo el lote de zanahoria. Las tres variables presentaron patrones de distribución de nutrientes similares. En el momento 1, se observan concentraciones más altas de nutrientes en la parte inferior del polígono, mientras que las concentraciones fueron menores en las zonas superiores. Sin embargo, en el momento 2, las concentraciones de los tres nutrientes disminuyeron de manera generalizada.

En cuanto al nitrógeno (N), en el momento 1, las concentraciones oscilaron entre 2,0 ppm y 5,0 ppm, siendo la mayor parte del polígono dominada por concentraciones de 2,0 ppm a 3 ppm. En el momento 2 , estas concentraciones disminuyeron, variando entre 1,5 ppm y 2,5 ppm.

Respecto al fósforo (P), en el momento 1 las concentraciones fluctuaron entre 3,0 ppm y 7,0 ppm. La parte inferior del polígono presentó concentraciones de entre 6,0 ppm y 7,0 ppm, mientras que la parte superior mostró valores entre 3,0 ppm y 5,0 ppm. En el momento 2, las concentraciones se redujeron a un rango de 2,0 ppm a 4 ppm, con la parte inferior del polígono representando valores de 4,0 ppm.

En cuanto al potasio (K), en el momento 1, las concentraciones variaron entre 7,0 ppm y 15,0 ppm, siendo superior en la parte inferior del polígono. En el momento 2, las concentraciones se redujeron a un rango de 5,0 ppm a 9,0 ppm.

a b

Tabla 15. Mapas de contorno de las variables N, P y K para la Fase 1 y Fase 2. Variable Momento 1 Momento 2 N

P

K

Fuente: (Elaboración propia, 2024).

Frente a los mapas de varianza generados por la interpolación, se observó que el modelo Hole presentó una mayor variedad de tonalidades hacia los bordes del polígono, en comparación con el modelo Gaussiano. En ambos casos, el centro del polígono presentó tonalidades más oscuras, lo que indican una menor varianza. Respecto a las variables nitrógeno (N) y fósforo (P) en el momento 1 y 2, ambos modelos mostraron rangos de varianza similares. Sin embargo, para la variable potasio (K) en el momento 1, el modelo Hole mostró un rango de varianza entre 11,5 y 12,5 ppm2, mientras que el modelo Gaussiano alcanzó valores de 8 y 9 ppm2 (ver Figura 41).

Figura 41. Representación gráfica de varianza de la interpolación para la variable potasio (K). a. Modelo Hole en el momento 1. b. Modelo Gaussiano en el momento 2.

Fuente: (Elaboración propia).

En relación con la Humedad volumétrica (HV), obtuvo mejor ajuste con el modelo gaussiano y Hole correspondientes a los momentos 1 y 3 (ver Figura 42). En el momento 2 mostró independencia espacial por lo que el modelo Nugget fue el seleccionado. Así mismo, su GDS para el momento 1 y momento 3 fue moderada, disminuyendo de 38,4% a 33,32%. Como se muestra en la Figura 43, los valores de semivarianza fueron más altos en el momento 3 que en el 1. Además, en los momentos 1 y 3, las semivarianzas fueron mayores a distancias de 5,9 m, que en 1,8 m en comparación con 1,8 m. No obstante, en el momento 1, la semivarianza más alta se obtuvo a una distancia de 4,3 m. También, se observó que las semivarianzas incrementaron en distancias entre 2,3 m y 5,1 m, en relación con distancias de 1,8 m.

Figura 42. Modelo Gaussiano ajustado al semivariograma experimental (SE).

Fuente: (Elaboración propia).

a b

Figura 43. Pares de puntos generados por el semivariograma experimental (SE).. a. Momento 1. b. Momento 3.

*np= par de puntos; dist= distancia; gamma = semivarianza*. Fuente: (Elaboración propia, 2024).

Respecto a los mapas de contorno, en el momento 1 se observaron valores de humedad de 32% y 33%, con una distribución generalizada por todo el polígono. Sin embargo, en el momento 3, los valores se redujeron a un rango de 27% a 30%, mostrando un comportamiento más sectorizado, con un porcentaje mayor concentrado en el costado derecho inferior del polígono (ver Figura 44).

Figura 44. Mapas de contorno de la variable humedad volumétrica (HV). a. Momento 1. b. Momento 3.

Fuente: (Elaboración propia, 2024).

a b a b

5.2. Objetivo 2: Evaluar la composición química del suelo a partir de la captura y

procesamiento de imágenes “tribanda” RGB.

De acuerdo con las Figuras 45 y 46, correspondientes al Green Red Vegetation Index (GRVI), se observó un cambio en las tonalidades de los momentos 1 y 3, lo que indicó una variación en los surcos sembrados bajo el sistema agroecológico. Por otro lado, el Green Leaf Index (GLI) en el momento 1, no evidenció cambios significativos en la parcela experimental. Sin embargo, al comparar el GRVI con el GLI por momentos, se pueden identificar variaciones en las áreas de cultivo y de tránsito dentro del mismo.

Figura 45. Mapa Green Red Vegetation Index (GRVI) para el momento 1 de procesamiento.

Fuente: (Elaboración propia, 2024).

Figura 46. Mapa Green Leaf Index (GLI) para el momento 3 de procesamiento.

Fuente: (Elaboración propia, 2024).

5.3. Objetivo 3: Integración gráfica a partir de los resultados de variabilidad espacial

frente a los procesamientos de imágenes de dron RGB.

Las integraciones gráficas obtenidas fueron realizadas para los momentos 1 y 3, en donde se empleó tanto los mapas de contorno obtenidos por cada variable para esos momentos, así como los IV correspondientes. Para el procesamiento de las variables nitrógeno (N), fósforo (P) y potasio (K) fue ejecutado solamente para el momento 1, ya que el momento 3 presentaron independencia espacial. Sin embargo, la humedad volumétrica (HV) fue realizada para ambos momentos.

Partiendo de los resultados en el objetivo 1, se corroborar la tendencia de las tres variables en los tres índices, al no tener más fases para comprar esos resultados no se lograron concluir grandes aspectos.

Sin embargo, como se ve en la Figura 47 el patrón de los mapas de contorno obtenidos para la humedad volumétrica coincidió con cambios en los mapas de GRVI en el momento 1.

Figura 47. Reed Green Vegetation Index (GRVI) de la variable humedad volumétrica en el momento 1.

Fuente: (Elaboración propia, 2024).

6. DISCUSIÓN

6.1. Estado inicial del suelo

A nivel físico, el suelo se caracteriza por una textura franco- limosa, es decir, contiene una mezcla de arenas, limos y arcillas, siendo el limo el componente predominante. Presenta una conductividad eléctrica (CE) baja de 0,27 mS/cm, un pH de 5,5 (fuertemente ácido) (Havlin et al., 2014) y una densidad aparente (DA) de 0,62 g/cm3. En términos químicos, el contenido de materia orgánica (MO) es del 17,44%, lo cual, según Bogunovic et al., (2017), se considera alto. Este valor puede explicarse por la alta proporción de limo (0,002-0,02 mm) en la textura del suelo, el cual tiene una mayor área superficial en comparación con texturas más gruesas, como la arena. Esta característica le permite almacenar más agua (Havlin et al., 2014; Wang et al., 2009). Corroborando esto, en el análisis de suelo presenta una saturación de humedad (SH) del 62%, lo que favorece la actividad microbiana y, por lo tanto a la formación de MO. El pH del suelo se encuentra dentro del rango óptimo para la accesibilidad de la mayoría de los nutrientes para las plantas (Sánchez, 2007). Aunque el pH es fuertemente ácido, no se detectaron concentraciones elevadas de aluminio (Al) ni conductividad eléctrica (CE) alta, lo que descarta a la salinidad y la acidez como causas de la deficiencia de nutrientes (Havlin et al., 2014). Partiendo de la premisa de que la mineralización y la inmovilización suceden en simultaneo en el suelo. Cuando la mineralización bruta (total de minerales liberados) es menor a la inmovilización (proceso por el cual los microorganismos capturan minerales), debido a la descomposición de MO pobre en carbono, los micoorganismos tienden a capturar los nutrientes como el amonio (NH4+), nitrato (NO3-), fosfato mono-aniónico (H2PO4-), fosfato di-aniónico (HPO4-2), potásio (K+), calcio (Ca+2), magnesio (Mg+2), para incorporarlos en sus tejidos con el fin de satisfacer sus necesidades energéticas (Bünemann, 2015; Hagemann et al., 2016; Havlin et al., 2014). Esto sugiere que los materiales orgánicos incorporados como residuos de animales o fertilizantes orgánicos, que contienen baja cantidad de carbono, han provocado que los microrganismos inmovilicen más nutrientes de lo que mineralizan, lo que resulta en una baja mineralización neta (Hagemann et al., 2016). Esta dinámica se refleja en la disminución de nutrientes en el suelo. Por lo tanto, es esencial satisfacer no solo las demandas de las plantas, sino también la necesidad de los microrganismos del suelo.

En cuanto al nitrógeno, se observa que la concentración de nitrato (NO3-) es mayor que el amonio (NH4+). Esto se debe a las características del suelo, con su alta SH y la buena aireación que favorece la actividad microbiana. También es posible que la aplicación de fertilizantes nitrogenados, especialmente aquellos basado en nitrito en lugar de amonio, hayan influido en esta relación (Havlin et al., 2014).

En cuanto al fósforo (P), su concentración es débil, lo que puede explicarse a que al ser una pequeña fracción (<1%) de fósforo total y orgánico absorbido por las plantas y los microorganismos (predominantemente en forma de fosfato), se disuelve en un momento dado, por lo que debe ser repuesto periódicamente para satisfacer las necesidades de las plantas. Si no se repone, su concentración en la solución del suelo disminuye, lo que conllevará a que se adsorba en las superficies de las partículas del suelo (Bünemann, 2015; Havlin et al., 2014). Sin embargo, cuando la concentración de P excede el umbral determinado, comienza a formar minerales insolubles que no son accesibles para las plantas. Además, la cantidad de P que se fije en el suelo depende de su concentración en la solución del suelo, la dosis aplicada y el método de aplicación (en específico o generalizado). Por lo tanto, la concentración de P este está influenciada por el manejo del suelo (Havlin et al.,

2014).

6.2.Variabilidad espacial e interpolación con la técnica Kriging ordinario (KO)

A partir de los resultados obtenidos de los semivariograma experimentales, se identificó un patrón de distribución similar entre las variables nitrógeno (N), fósforo (P) y potasio (K). Este patrón también se reflejó en los mapas de contorno obtenidos a partir de la interpolación. Estos hallazgos que junto con los fuertes coeficientes de correlación positiva entre las variables (Hernández Lalinde et al., 2018), sugieren una relación directamente proporcional, la cual, según Duan et al., (2020), se puede atribuir a causas intrínsecas, como el tipo de suelo, los procesos de formación, propiedades geomorfológicas, factores climáticos y otros factores naturales. Además, las variables presentaron GDS entre débil y moderada, lo que indica una baja relación entre el “Nugget” y la silla. Según Bhunia et al., (2018), esta situación puede estar vinculada a factores intrínsecos, ya que los procesos naturales generan un cambio más gradual en la variabilidad a medida que aumenta la distancia. En contraste,

los factores extrínsecos, asociados a procesos de gestión antrópica, pueden generar cambios más rápidos en las propiedades químicas del suelo (Abdel Rahman et al., 2021). Esta menor relación entre “Nugget” y silla también refleja una variabilidad espacial en distancias menores (Bogunovic et al., 2017), lo que permitió detectar heterogeneidad espacial en menor proporción en los mapas de contorno.

Como se muestra en las Figuras 38 y 39, los semivariogramas experimentales indicaron que los valores de semivarianza fueron mayores a las distancias más cortas (1,8 m), lo que sugiere que el sistema de muestreo fue adecuado para detectar la heterogeneidad espacial de las propiedades químicas del suelo (Duan et al., 2020).

En cuanto a las variaciones de N, P y K, se observó que fueron menores en ambos momentos, aunque la variable que presentó mayor variabilidad fue K (ver Figuras 38 y 39). En el momento 1 de procesamiento, cómo se muestra en la Figura 48, se realizó cuando la planta estaba finalizando la etapa fenológica de engrosamiento de raíz y once días después de la aplicación de Biol e Hidrolato, los mapas de contorno mostraron concentraciones de N entre 2,0 ppm a 5,0 ppm, inferiores a las concentraciones iniciales de 5 ppm de amonio y 30 ppm de nitrato. En cuanto a P, la concentración registrada en los mapas de contorno fue de entre 3,0 y 7,0 ppm, siendo superior a las 6 ppm obtenidas inicialmente. La concentración de K, por su parte, varío entre un 7,0 a 15,0 ppm, manteniéndose casi igual a la concentración inicial de 14,0 ppm.

El aumento del P y K podría estar relacionado con el hecho de que, al final de la etapa en engrosamiento de raíces, la planta reduce su metabolismo, lo que ralentiza gradualmente la extracción de nutrientes (Azcón-Bieto & Talón, 2003; Taiz et al., 2006). En cuanto a la disminución de nitrógeno, esto podría explicarse por la relación carbono-nitrógeno (C:N) de los insumos aplicados. La relación C:N indica la cantidad de nitrógeno en función del carbono presente en los materiales utilizados para la preparación de los insumos (Restrepo & Agredo, 2020). Aunque no se dispone de datos exactos sobre la relación C:N de los insumos utilizados debido a su variabilidad según los materiales y el proceso de elaboración (Irfan et al., 2023), según la literatura el Bocashi tiene una relación C:N que varía entre 15:1 y 30:1 (Irfan et al., 2023), mientras el Biol y el Hidrolato o Té de humus presenta una relación entre 10:1 y 20:1 (Restrepo & Agredo, 2020). Cuando la relación C:N es alta, los microrganismos mineralizan el N a amonio (NH4+) y su posterior nitrificación a nitrato (NO3-), pero en lugar

de liberarlo, lo utiliza como fuente de energía debido a la insuficiencia del carbono disponible (Havlin et al., 2014).

En el segundo momento de procesamiento, las concentraciones de N, P y K disminuyeron, debido al retraso en las labores del cultivo como el deshierbe, se permitió la aparición de otras especies competidoras que también extrajeron los nutrientes necesarios para su desarrollo.

En el tercer momento de procesamiento, no se detectó variabilidad espacial en las tres variables. Esta falta de independencia espacial podría deberse a errores en las mediciones o a efectos de microescala, lo que sugiere que el diseño de muestreo no es el adecuado. Para detectar variabilidad espacial en tales casos, se recomienda aumentar la distancia de muestreo (Abdel Rahman et al., 2021; Bogunovic et al., 2017; Bohorquez, 2022). Sin embargo, teniendo en cuenta que en los anteriores momentos se obtuvo variabilidad con la distancia de muestreo implementada, no es posible atribuir esta tendencia a esa razón, pero si posiblemente al retraso de las labores en el cultivo que pudieron ocasionar la tendencia de estas variables para los momentos 2 y 3. Al no aplicarse insumos y ejecutar labores culturales, la concentración de nutrientes es reducida, provocando que la variabilidad espacial de las concentraciones se mantuvieron constantes entre sí.

Figura 48. Línea de tiempo que contrasta las actividades realizadas en el cultivo, el ciclo fenológico del cultivo y los mapas de contorno por variable analizado.

*M1: momento 1; M2: momento 2; M3: momento 3*. Fuente: (Elaboración propia, 2024).

En cuanto a la variable humedad volumétrica (HV), se observó una variabilidad espacial en los momentos 1 y 3 con un GDS moderado. A diferencia de las variables N, P y K, la humedad presentó una distribución más exponencial de los valores experimentales, por lo que su relación entre el nugget y la silla fue más alta. Esto sugirió que la variabilidad de la humedad está expuesta a ser influenciada por factores extrínsecos (Bhunia et al., 2018). Para entender el comportamiento de la humedad, es necesario considerar que el suelo presenta textura franco-limosa, en la que el limo, debido a sus partículas pequeñas (0,002- 0,02 mm), tiene una mayor capacidad para retener agua debido a su mayor área superficial (Selmy et al., 2022; Wang et al., 2009). Esta característica permitió que el suelo retuviera la humedad volumétrica reflejada en los mapas de contorno.

Según los correlogramas entre la HV y las variables de N, P y K, los coeficientes de Pearson sugirieron una correlación inversamente proporcional entre la HV y los minerales evaluados en el primer momento. Es decir, que en ese momento, a mayor concentración de humedad, hay una menor concentración de nutrientes, lo que contradice la hipótesis inicial de que la humedad facilita el transporte de nutrientes (Susha Lekshmi et al., 2014; Havlin et al., 2014; Havlin et al., 2020). En el momento 3, los correlogramas mostraron una relación directamente proporcional, lo que coincide con la idea general de que la humedad favorece la concentración de nutrientes. Sin embargo, este resultado no se contrastó debido a la independencia espacial de N, P y K para ese momento.

En relación con los índices de vegetación Green Red Vegetation Index (GRVI) para el momento 1, se observan valores cercanos a cero en las zonas de tránsito del cultivo, lo que indica la presencia de agua (Motohka et al., 2010).Esto está relacionado con la humedad gravimétrica no drenada, ya que según Briggs (1897) y Susha Lekshmi et al., (2014), se requiere entre 2 y 3 días para que el agua se filtre completamente. Este hecho sugiere que la precipitación ocurrió justo antes del levantamiento de datos. Este fenómeno explica el por qué, en los mapas de contorno del momento 1, se identificaron rangos de humedad volumétrica superiores en comparación a al momento 3.

Por otro lado, el mapa también muestra áreas con tonalidades correspondientes a valores menores que cero, lo que refleja las zonas de suelo descubierto en las camas del cultivo. Las áreas donde las plantas están sembradas se representaron con valores entre -0,2 y -0,4, lo que indica un menor vigor de las plantas (A. Chen et al., 2018), posiblemente debido al estrés

causado por el exceso de agua. Este fenómeno podría estar relacionado con la hipoxia, término empleado en fisiología vegetal para describir la disminución de oxígeno (O2) disponible en los tejidos de las plantas, especialmente en las raíces. La interrupción de la respiración radicular reduce la respiración celular y los procesos metabólicos, lo que provoca alteraciones en el crecimiento de la planta (Azcón-Bieto & Talón, 2003; Taiz & Zeiger, 2006). En la Figura 33 correspondiente a la integración gráfica de la variable N con el índice GRVI, se observa que las áreas con mayores tonalidades claras (valores negativos) coinciden con mayores concentraciones de nitrógeno en los mapas de contorno. Esto sugiere que, aunque las plantas tienen altos niveles de nitrógeno, la falta de respiración en las raíces impide que lo absorban adecuadamente.

Por otro lado, el mapa de la integración grafica entre el GRVI y la HV en el momento 1 (ver Figura 45), muestra que en las zonas en las que hay plantas con menores valores del IV, hay mayores concentraciones de agua, lo que ratifica su poca respiración a nivel de raíz. En relación con al momento 3, se observa la falta de labores de cultivo, como se refleja en la Figura 46, referente al mapa del GLI. En esta fase, toda la parcela mostró valores positivos, lo que indica una mayor concentración vegetación (Bassine et al., 2019; Bhandari et al., 2020; Eng et al., 2019; Louhaichi et al., 2001), no solo en las camas de cultivo, sino también en las zonas de tránsito.

7. CONCLUSIONES

• Las variables N, P y K están correlacionadas entre sí, lo que se refleja en los patrones

de distribución espacial observados en los semivariogramas, los mapas de contorno y los correlogramas. De igual forma, se detecta variabilidad espacial en función de la distancia de muestreo, aunque esta es relativamente homogénea. Está homogeneidad podría deberse al retraso en las labores del cultivo y a factores intrínsecos, los cuales provocaron la tendencia de baja variabilidad espacial en el momento 2 y la independencia espacial en el momento 3.

• De acuerdo con los semivariogramas experimentales obtenidos en los tres momentos

de procesamiento de las variables evaluadas, se determina que es posible considerar distancias superiores a las utilizadas (5,1 m o 5,9 m) en futuros procesamientos de la composición química del suelo. Así mismo, los resultados demuestran que se detecta variabilidad espacial en la composición químicas en áreas menores a las que usualmente son empleadas en investigaciones, lo que permite que esta metodología sea aplicada a lotes de tamaño pequeño o mediano. Sin embargo, es importante considerar el desfase en la ejecución de las actividades de cultivo.

• El GRVI detecta agua en el suelo, así como establece valores negativos sobre la

cobertura vegetal. Esto sugiere que las plantas estaban presentando estrés hídrico por exceso, lo que afectaba su capacidad de respiración en las raíces. Por su parte el GLI, indica la cobertura vegetal. En consecuencia, tanto el GRVI como el GLI son índices útiles para evaluar tanto el estado de la vegetación como el del suelo.

• La integración gráfica entre los mapas de contorno y los índices de vegetación permite

identificar un patrón relacionado con la concentración de N y la representación del GRVI. Esto lleva a la conclusión de que, aunque exista una mayor disponibilidad de nutrientes para las plantas, las condiciones de hipoxia impiden su absorción. Esto determina la importancia de la respiración de la raíz en el flujo de nutrientes dentro de la planta y las alteraciones que puede conllevar en los procesos metabólicos necesarios para su adecuado crecimiento y desarrollo.

8. RECOMENDACIONES

8.1. Objetivo general: Proponer una metodología de integración gráfica geoespacial de

las propiedades químicas de una parcela experimental ubicada en la sabana de Bogotá, destinada a la producción de zanahoria (Daucus carota), a partir del uso de imágenes de dron y diferentes herramientas software de procesamiento.

• Organizar los datos o “limpiarlos” antes del procesamiento, con el fin de

eliminar datos atípicos que puedan reflejar una realidad incorrecta.

• Realizar un análisis de los datos antes de su procesamiento, con el fin de

establecer los métodos geoestadísticos más indicados.

• Incluir una metodología que ayude a contrastar los resultados obtenidos a partir

de sensor y los análisis de laboratorio, con el propósito de determinar el sesgo que presente el dispositivo.

• Para establecer una relación entre el comportamiento fisiológico de la planta, el

suelo y la atmósfera, se recomienda realizar análisis multivariados que los integre. Además, los procesamientos de las variables que se vayan a analizar deben ejecutarse en momentos clave durante el ciclo de desarrollo de las plantas, de manera que se abarquen y se realice un análisis espacial que considere todos los manejos asociados al ciclo fenológico.

8.2. Objetivo específico 1: Identificar la variabilidad espacial de las propiedades

químicas de una parcela bajo un esquema de producción de zanahoria agroecológica.

• Las actividades necesarias dentro del cultivo deben realizarse continuamente y

según la planeado desde un inicio. Con el fin de obtener resultados que reflejen el manejo que normalmente se emplea.

• Preparar diferentes alternativas para establecer la malla de muestreo en campo, en

caso de que se presenten fallas. Buscar ser eficientes en la recolección de datos.

• Establecer fechas de recolección de datos en condiciones favorables, que faciliten

el proceso. Así mismo, realizar un análisis de suelo antes de iniciar, ya que será base para la explicación de los resultados.

8.3. Objetico específico 2: Evaluar las propiedades químicas del suelo a partir de la

captura y procesamiento de imágenes “tribanda” RGB.

• Después de cada captura de imágenes dron, tener en cuenta el desfase que se

pueda generar con el dron, por lo que es recomendable revisarlas después de cada procesamiento.

• Implementar índices que incluyan la longitud de onda infrarrojo, para obtener

más información sobre el estado de las plantas y asociarlo a la variabilidad y distribución de las propiedades del suelo.

• Buscar la forma de generar ortomosaicos con una resolución considerable, para

que la información sea mejor representada por los índices de vegetación.

8.4. Objetivo específico 3: Desarrollar un análisis de integración gráfica a partir de los resultados de variabilidad espacial frente a los procesamientos de imágenes de dron

RGB.

• Asegurarse que tanto los mapas de contorno y las imágenes RGB estén

georreferenciadas correctamente, de esta forma ambas imágenes son compatibles y pueden ser superpuestas.

• Aplicar ajustes en las imágenes de los IV, que permitan determinar claramente las

tonalidades así como también ajustar la transparencia correcta en la que se logren determinar ambas representaciones. Además, buscar alternativas para establecer la escala de colores para ambos mapas integrados.

9. BIBLIOGRAFÍA

• Abdel Rahman, M. A. E., Zakarya, Y. M., Metwaly, M. M., & Koubouris, G.

(2021). Deciphering soil spatial variability through geostatistics and interpolation techniques.

Sustainability (Switzerland),

13(1).

https://doi.org/10.3390/su13010194

• Adamchuk, V. I., Hummel, J. W., Morgan, M. T., & Upadhyaya, S. K. (2004).

On-the-go soil sensors for precision agriculture. Computers and Electronics in Agriculture, 44(1). https://doi.org/10.1016/j.compag.2004.03.002

• Addiscott, T. M. (2010). Soil mineralization: An emergent process? Geoderma,

160(1). https://doi.org/10.1016/j.geoderma.2010.03.016

• Ahmed, R., & Mahmud, K. H. (2022). Potentiality of high-resolution

topographic survey using unmanned aerial vehicle in Bangladesh. Remote Sensing Applications:

Society and Environment,

26.

https://doi.org/10.1016/j.rsase.2022.100729 • Alessandro, M. S. (2013). Manual De Producción De Zanahoria. Instituto Nacional de Tecnología Agropecuaria.

• Álvarez Herrera, J. G., Ruiz Berrío, H. D., & Acosta Tova, D. F. (2021).

Evaluación geoestadística de atributos hidro físicos del suelo en la granja Tunguavita, Paipa, Colombia. Ciencia e Ingeniería Neogranadina, 31(1). https://doi.org/10.18359/rcin.5396

• Ayele, G. T., Demissie, S. S., Jemberrie, M. A., Jeong, J., & Hamilton, D. P.

(2020). Terrain effects on the spatial variability of soil physical and chemical properties. Soil Systems, 4(1). https://doi.org/10.3390/soilsystems4010001

• Ayele, G. T., Tebeje, A. K., Demissie, S. S., Belete, M. A., Jemberrie, M. A.,

Teshome, W. M., Mengistu, D. T., & Teshale, E. Z. (2018). Time series land cover mapping and change detection analysis using geographic information system and remote sensing, Northern Ethiopia. Air, Soil and Water Research,

11. https://doi.org/10.1177/1178622117751603

• Azcón-Bieto, J., & Talón, M. (2003). Fundamentos de fisiología vegetal. In

McGrawHill.

• Ballabio, C., Lugato, E., Fernández-Ugalde, O., Orgiazzi, A., Jones, A., Borrelli,

P., Montanarella, L., & Panagos, P. (2019). Mapping LUCAS topsoil chemical properties at European scale using Gaussian process regression. Geoderma, 355. https://doi.org/10.1016/j.geoderma.2019.113912

• Ballabio, C., Panagos, P., & Monatanarella, L. (2016). Mapping topsoil physical

properties at European scale using the LUCAS database. Geoderma, 261. https://doi.org/10.1016/j.geoderma.2015.07.006

• Ballester, C., Brinkhoff, J., Quayle, W. C., & Hornbuckle, J. (2019). Monitoring

the effects ofwater stress in cotton using the green red vegetation index and red edge ratio. Remote Sensing, 11(7). https://doi.org/10.3390/RS11070873

• Bassine, F. Z., Errami, A., & Khaldoun, M. (2019). Vegetation Recognition

Based on UAV Image Color Index. Proceedings - 2019 IEEE International Conference on Environment and Electrical Engineering and 2019 IEEE Industrial and Commercial Power Systems Europe, EEEIC/I and CPS Europe

2019. https://doi.org/10.1109/EEEIC.2019.8783830

• Bhandari, M., Ibrahim, A. M. H., Xue, Q., Jung, J., Chang, A., Rudd, J. C.,

Maeda, M., Rajan, N., Neely, H., & Landivar, J. (2020). Assessing winter wheat foliage disease severity using aerial imagery acquired from small Unmanned Aerial Vehicle (UAV). Computers and Electronics in Agriculture, 176. https://doi.org/10.1016/j.compag.2020.105665

• Bhunia, G. S., Shit, P. K., & Chattopadhyay, R. (2018). Assessment of spatial

variability of soil properties using geostatistical approach of lateritic soil (West Bengal, India).

Annals of Agrarian Science,

16(4).

https://doi.org/10.1016/j.aasci.2018.06.003

• Birrell, S., & Hummel, J. (1997). Multi-sensor ISFET system for soil analysis.

Precision Agriculture, 97(January 1997).

• Bivand, R. S., Pebesma, E., & Gómez-Rubio, V. (2013). Applied Spatial Data

Analysis with R: Second Edition. In Applied Spatial Data Analysis with R: Second Edition. https://doi.org/10.1007/978-1-4614-7618-4

• Blouin, M., Barrere, J., Meyer, N., Lartigue, S., Barot, S., & Mathieu, J. (2019).

Vermicompost significantly affects plant growth. A meta-analysis. Agronomy for Sustainable Development, 39(4). https://doi.org/10.1007/s13593-019-0579-x

• Bohorquez. (2022). Estadística Espacial y Espacio-Temporal para Campos

Aleatorios Escalares y Funcionales. Universidad Nacional de Colombia.

• Bogunovic, I., Mesic, M., Zgorelec, Z., Jurisic, A., & Bilandzija, D. (2014).

Spatial variation of soil nutrients on sandy-loam soil. Soil and Tillage Research,

144. https://doi.org/10.1016/j.still.2014.07.020

• Bogunovic, I., Trevisani, S., Seput, M., Juzbasic, D., & Durdevic, B. (2017).

Short-range and regional spatial variability of soil chemical properties in an agro-ecosystem in eastern Croatia.

Catena,

154.

https://doi.org/10.1016/j.catena.2017.02.018

• Boudibi, S., Sakaa, B., Benguega, Z., Fadlaoui, H., Othman, T., & Bouzidi, N.

(2021). Spatial prediction and modeling of soil salinity using simple cokriging, artificial neural networks, and support vector machines in El Outaya plain, Biskra, southeastern Algeria.

Acta Geochimica,

40(3).

https://doi.org/10.1007/s11631-020-00444-0

• Brini, M. (2023). DIGITAL AGRICULTURE, AN UPDATED &

COMPREHENSIVE OVERVIEW. Creative Commons By 4.0.

• Briggs, L.J.(1897). The Mechanics of Soil Moisture, USDA Bureau of Soils

Bull 10 US. Gov Print Office, Washington, DC.

• Bulluck, L. R., Brosius, M., Evanylo, G. K., & Ristaino, J. B. (2002). Organic

and synthetic fertility amendments influence soil microbial, physical and chemical properties on organic and conventional farms. Applied Soil Ecology, 19(2). https://doi.org/10.1016/S0929-1393(01)00187-1

• Bünemann, E. K. (2015). Assessment of gross and net mineralization rates of

soil organic phosphorus - A review. In Soil Biology and Biochemistry (Vol. 89). https://doi.org/10.1016/j.soilbio.2015.06.026

• Burger, J. A., & Kelting, D. L. (1999). Using soil quality indicators to assess

forest stand management. Forest Ecology and Management, 122(1–2). https://doi.org/10.1016/S0378-1127(99)00039-0

• Cámara de Comercio de Bogotá. (2015). Manual Zanahoria: Programa De

Apoyo Agrícola Y Agroindustrial. Programa de Apoyo Agricola y Agroindustrial 2015, 1(Apoyo Agricola).

• Cambardella, C. A., Moorman, T. B., Novak, J. M., Parkin, T. B., Karlen, D. L.,

Turco, R. F., & Konopka, A. E. (1994). Field‐Scale Variability of Soil Properties in Central Iowa Soils. Soil Science Society of America Journal, 58(5). https://doi.org/10.2136/sssaj1994.03615995005800050033x

• Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., & Gattelli, M. (2015).

Evaluating multispectral images and vegetation indices for precision farming applications from

UAV

images.

Remote Sensing,

7(4).

https://doi.org/10.3390/rs70404026

• Chen, A., Orlov-Levin, V., & Meron, M. (2018). Applying High-Resolution

Visible-Channel Aerial Scan of Crop Canopy to Precision Irrigation Management. https://doi.org/10.3390/ecrs-2-05148

• Chen, F. W., & Liu, C. W. (2012). Estimation of the spatial rainfall distribution

using inverse distance weighting (IDW) in the middle of Taiwan. Paddy and Water Environment, 10(3). https://doi.org/10.1007/s10333-012-0319-1

• Cortes-D, D. L., Camacho-Tamayo, J. H., & Giraldo, R. (2018). Spatial

prediction of soil infiltration using functional geostatistics. Acta Universitatis Carolinae, Geographica, 53(2). https://doi.org/10.14712/23361980.2018.15

• DANE. (2017). Características relevantes en el cultivo de la zanahoria (Daucus

carota L.) en Colombia y estudios de caso sobre costos de producción en los municipios de Madrid (Cundinamarca) y Ventaquemada (Boyacá). Boletín mensual INSUMOS Y FACTORES ASOCIADOS A LA PRODUCCIÓN AGROPECUARIA.https://www.dane.gov.co/files/investigaciones/agropecuario/sips a/Bol_Insumos_jun_2017.pdf

• Duan, L., Li, Z., Xie, H., Li, Z., Zhang, L., & Zhou, Q. (2020). Large-scale

spatial variability of eight soil chemical properties within paddy fields. Catena,

188. https://doi.org/10.1016/j.catena.2019.104350

• Edmeades, D. C. (2003). The long-term effects of manures and fertilisers on soil

productivity and quality: A review. In Nutrient Cycling in Agroecosystems (Vol. 66, Issue 2). https://doi.org/10.1023/A:1023999816690

• Eng, L. S., Ismail, R., Hashim, W., & Baharum, A. (2019). The use of VARI,

GLI, And VIgreen formulas in detecting vegetation in aerial images. International Journal of Technology,

10(7).

https://doi.org/10.14716/ijtech.v10i7.3275

• Fernández, R. Cotos, T. (2022). Estadística Espacial con R.

https://rubenfcasal.github.io/estadistica_espacial/index.html

• Flenniken, J. M., Stuglik, S., & Iannone, B. V. (2020). Quantum GIS (QGIS):

An introduction to a free alternative to more costly GIS platforms. EDIS, 2020(2). https://doi.org/10.32473/edis-fr428-2020

• Galindo, J & Saboyá, J. (2020). Zanahoria (Daucus carota L.): Manual de

recomendaciones técnicas para su cultivo en el departamento de Cundinamarca. Corredor Tecnológico Agroindustrial, CTA-2, 2020. ISBN-e:

978-958-794-389-4

• GAO, X. song, XIAO, Y., DENG, L. ji, LI, Q. quan, WANG, C. quan, LI, B.,

DENG, O. ping, & ZENG, M. (2019). Spatial variability of soil total nitrogen, phosphorus and potassium in Renshou County of Sichuan Basin, China. Journal of Integrative Agriculture,

18(2).

https://doi.org/10.1016/S2095-

3119(18)62069-6

• Ge, Y., Thomasson, J. A., & Sui, R. (2011). Remote sensing of soil properties

in precision agriculture: A review. In Frontiers of Earth Science (Vol. 5, Issue 3). https://doi.org/10.1007/s11707-011-0175-0

• Gil Ramírez, L. A., Leiva Cabrera, F. A., Lezama Escobedo, M. K., Bardales

Vásquez, C. B., & León Torres, C. A. (2023). Biofertilizante “biol”: caracterización física, química y microbiológica. Revista Alfa, 7(20). https://doi.org/10.33996/revistaalfa.v7i20.219

• Giraldo Henao, R. (2011). Introducción a la geoestadística. Universidad

Nacional de Colombia.

• Hagemann, N., Harter, J., & Behrens, S. (2016). Elucidating the Impacts of

Biochar Applications on Nitrogen Cycling Microbial Communities. In Biochar Application: Essential Soil Microbial Ecology. https://doi.org/10.1016/B978-0-

12-803433-0.00007-2

• Havlin, J. L., Tisdale, S. L., Nelson, W. L., & Beaton, J. D. (2014). Soil Fertility

and Fertilizers, 8th Edition. Pearson.

• Hengl, T., Heuvelink, G. B. M., & Stein, A. (2004). A generic framework for spatial prediction of soil variables based on regression-kriging. Geoderma, 120(1–2). https://doi.org/10.1016/j.geoderma.2003.08.018

• Hernández Lalinde, J. D., Espinosa Castro, J. F., Peñaloza Tarazona, M. E.,

Rodriguez, J. E., Chacón Rangel, J. G., Toloza Sierra, C. A., Arenas Torrado, M. K., Carrillo Sierra, S. M., & Bermúdez Pirela, V. J. (2018). Sobre el uso adecuado del coeficiente de correlación de Pearson: definición, propiedades y suposiciones On the proper use of the Pearson correlation coefficient: definitions, properties and assumptions. Archivos Venezolanos de Farmacología y Terapéutica, 37(5).

• Irfan, ., Yunita, D., Fadhil, M., & Fauzan, . (2023). Effect of raw materials C/N

ratio on the quality of Bokashi. International Journal of Recycling of Organic Waste in Agriculture, 13(1).https://doi.org/10.57647/j.ijrowa.2024.1301.07

• Ishihara, M., Inoue, Y., Ono, K., Shimizu, M., & Matsuura, S. (2015). The

impact of sunlight conditions on the consistency of vegetation indices in croplands-Effective usage of vegetation indices from continuous ground-based spectral measurements.

Remote Sensing,

7(10).

https://doi.org/10.3390/rs71014079

• Johnston, A., Adamchuk, V., Cambouris, A. N., Lafond, J., Perron, I.,

Lajeunesse, J., Duchemin, M., & Biswas, A. (2022). Proximal and Remote Sensing Data Integration to Assess Spatial Soil Heterogeneity in Wild Blueberry Fields. Soil Systems, 6(4). https://doi.org/10.3390/soilsystems6040089

• KAMARUDIN, N., Parman, R. P., Ibrahim, F.-H., Nuruddin, A. A., Omar, H.,

& A. Wahab, Z. (2022). Geostatistical Analysis of Mangrove Ecosystem Health:

Mapping and Modelling of Sampling Uncertainty Using Kriging. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4019861

• Kiełkowska, A., & Kiszczak, W. (2023). History and Current Status of

Haploidization in Carrot (Daucus carota L.). In Agronomy (Vol. 13, Issue 3). https://doi.org/10.3390/agronomy13030676

• Kılıç, M., Gündoğan, R., Günal, H., & Cemek, B. (2022). Accuracy Assessment

of Kriging, artificial neural network, and a hybrid approach integrating spatial and terrain data in estimating and mapping of soil organic carbon. In PLoS ONE (Vol. 17, Issue 5 5). https://doi.org/10.1371/journal.pone.0268658

• Kubota ®. (2006). Ficha técnica del tractor diesel Kubota L4400. [Documento

técnico]. Kubota Corporation.

• Landscape and Land Capacity. (2020). In Landscape and Land Capacity.

https://doi.org/10.1201/9780429445552

• Lardizábal, R. (2013). Manual De Producción De Zanahoria. Instituto Nacional

de Tecnología Agropecuaria.

• Lark, R. M. (2012). Towards soil geostatistics. Spatial Statistics, 1.

https://doi.org/10.1016/j.spasta.2012.02.001

• Lemenkova, P., & Debeir, O. (2022). R Libraries for Remote Sensing Data

Classification by K-Means Clustering and NDVI Computation in Congo River Basin,

DRC.

Applied Sciences (Switzerland),

12(24).

https://doi.org/10.3390/app122412554

• Letey, J. (1958). Relationship between Soil Physical Properties and Crop

Production. https://doi.org/10.1007/978-1-4612-5046-3_8

• Li, Y. (2010). Can the spatial prediction of soil organic matter contents at various

sampling scales be improved by using regression kriging with auxiliary information?

Geoderma, 159(1–2).

https://doi.org/10.1016/j.geoderma.2010.06.017

• Li, Y., Baorong, Z., Xiaohong, X., & Zijun, L. (2022). Application of a

semivariogram based on a deep neural network to Ordinary Kriging interpolation of elevation data.

PLoS

ONE,

17(4

April).

https://doi.org/10.1371/journal.pone.0266942

• Liu, Q., Xie, W. J., & Xia, J. B. (2013). Using Semivariogram and Moran’s I

Techniques to Evaluate Spatial Distribution of Soil Micronutrients. Communications in Soil Science and Plant Analysis,

44(7).

https://doi.org/10.1080/00103624.2012.755999

• Louhaichi, M., Borman, M. M., & Johnson, D. E. (2001). Spatially located

platform and aerial photography for documentation of grazing impacts on wheat. Geocarto International, 16(1). https://doi.org/10.1080/10106040108542184

• Maleika, W. (2020). Inverse distance weighting method optimization in the

process of digital terrain model creation based on data collected from a multibeam echosounder.

Applied Geomatics,

12(4).

https://doi.org/10.1007/s12518-020-00307-6

• Melero, S., Porras, J. C. R., Herencia, J. F., & Madejon, E. (2006). Chemical and

biochemical properties in a silty loam soil under conventional and organic management.

Soil and Tillage Research, 90(1–2).

https://doi.org/10.1016/j.still.2005.08.016

• Motohka, T., Nasahara, K. N., Oguma, H., & Tsuchida, S. (2010). Applicability

of Green-Red Vegetation Index for remote sensing of vegetation phenology. Remote Sensing, 2(10). https://doi.org/10.3390/rs2102369

• Mousavi, S. R., Sarmadian, F., Dehghani, S., Sadikhani, M. R., & Taati, A.

(2017). Evaluating inverse distance weighting and kriging methods in estimation of some physical and chemical properties of soil in Qazvin Plain. EURASIAN

JOURNAL

OF

SOIL

SCIENCE

(EJSS),

6(4).

https://doi.org/10.18393/ejss.311210

• Moyroud, N., & Portet, F. (2018). Introduction to QGIS. In QGIS and Generic

Tools (Vol. 1). https://doi.org/10.1002/9781119457091.ch1

• Negreiros, J., Painho, M., Aguilar, F., & Aguilar, M. (2010). Geographical

information systems principles of ordinary kriging interpolator. Journal of Applied Sciences, 10(11). https://doi.org/10.3923/jas.2010.852.867

• Orjuela-Matta, H. M., Sanjuanelo-Corredor, D. W., Vásquez-Lizcano, J.,

Cubides-Posada, K., Rodríguez-Tibaquirá, J. F., Torres-Rodríguez, J. C., & Ramírez-Poveda, H. A. (2023). Integrated processing methodology to identify

the spatial variability of accumulated infiltration for agricultural soil. Revista U.D.C.A Actualidad and Divulgacion Cientifica,

26(1).

https://doi.org/10.31910/rudca.v26.n1.2023.2365

• Orozco Aceves, M. (2019). Consideraciones técnicas para la preparación de

abonos foliares de fabricación casera. Pensamiento Actual, 19(33). https://doi.org/10.15517/pa.v19i33.39636

• Ortiz, S. (2023). Contexto de cadena Hortalizas-Zanahoria. AGROSAVIA.

https://repository.agrosavia.co/bitstream/handle/20.500.12324/37955/Ver_Documento _37955.pdf?sequence=1&isAllowed=y

• Pereira, L. C., Santos, G. R. dos, Marques, E. A. G., Pires, J. D., & Renó, R.

(2022). Construction of multidimensional geomechanical models with IDW and using R language. Journal of South American Earth Sciences, 116. https://doi.org/10.1016/j.jsames.2022.103775

• Pham, T. G., Kappas, M., Huynh, C. Van, & Nguyen, L. H. K. (2019).

Application of ordinary kriging and regression kriging method for soil properties mapping in hilly region of central Vietnam. ISPRS International Journal of Geo- Information, 8(3). https://doi.org/10.3390/ijgi8030147

• Pingguo, Y., Byrne, J. M., & Yang, M. (2016). Spatial variability of soil

magnetic susceptibility, organic carbon and total nitrogen from farmland in northern China. Catena, 145. https://doi.org/10.1016/j.catena.2016.05.025

• Restrepo, J & Agredo, D. (2020). Un nuevo ABC de la agricultura orgánica.

Mierda a la carta. ISBN: 978-958-49-0235-1.

• Que, F., Hou, X. L., Wang, G. L., Xu, Z. S., Tan, G. F., Li, T., Wang, Y. H.,

Khadr, A., & Xiong, A. S. (2019). Advances in research on the carrot, an important root vegetable in the Apiaceae family. In Horticulture Research (Vol. 6, Issue 1). https://doi.org/10.1038/s41438-019-0150-6

• Radočaj, D., Jug, I., Vukadinović, V., Jurišić, M., & Gašparović, M. (2021). The

effect of soil sampling density and spatial autocorrelation on interpolation accuracy of chemical soil properties in arable cropland. Agronomy, 11(12). https://doi.org/10.3390/agronomy11122430

• Saavedra Del Real, G., & Mellado, E. (2020). Zanahoria (Daucus carota L., var.

sativus Hoffm.). Cultivos de Chile, 411.

• Sánchez, J. (2007). FERTILIDAD DEL SUELO Y NUTRICION MINERAL

DE PLANTAS. In Minerales en las plantas.

• Selmy, S., Abd El-Aziz, S., Gameh, M., & Abdelsalam, A. S. (2020).

Characterization and mapping spatial variability of Entisols derived from shale in Dakhla Oasis, Egypt. Arabian Journal of Geosciences, 13(14). https://doi.org/10.1007/s12517-020-05540-2

• Selmy, S., El-Aziz, S. A., El-Desoky, A., & El-Sayed, M. (2022).

Characterizing, predicting, and mapping of soil spatial variability in Gharb El- Mawhoub area of Dakhla Oasis using geostatistics and GIS approaches. Journal of the Saudi Society of Agricultural Sciences,

21(6).

https://doi.org/10.1016/j.jssas.2021.10.013

• Shafi, U., Mumtaz, R., García-Nieto, J., Hassan, S. A., Zaidi, S. A. R., & Iqbal,

N. (2019). Precision agriculture techniques and practices: From considerations to applications.

In Sensors (Switzerland) (Vol.

19,

Issue

17).

https://doi.org/10.3390/s19173796

• Sharma, A., Jain, A., Gupta, P., & Chowdary, V. (2021). Machine Learning

Applications for Precision Agriculture: A Comprehensive Review. In IEEE Access (Vol. 9). https://doi.org/10.1109/ACCESS.2020.3048415

• SHARKTIMAN®. (s.f). Ficha técnica del rotovo Rotary Triller Mini Series-

STR-1.0. [Documento técnico].

• Shit, P. K., Bhunia, G. S., & Maiti, R. (2016). Spatial analysis of soil properties

using GIS based geostatistics models. Modeling Earth Systems and Environment, 2(2). https://doi.org/10.1007/s40808-016-0160-4

• Singh, J., Lo, T., Rudnick, D. R., Dorr, T. J., Burr, C. A., Werle, R., Shaver, T.

M., & Muñoz-Arriola, F. (2018). Performance assessment of factory and field calibrations for electromagnetic sensors in a loam soil. Agricultural Water Management, 196. https://doi.org/10.1016/j.agwat.2017.10.020

• Smith, T & y Smith, R. (2007). Ecología. 6.a edición. PEARSON

EDUCACIÓN, S. A. ISBN: 978-84-7829-084-0. España. Ambiente terrestre, Capítulo 5. P. 92.

• Fernández,

R.

Cotos, T.

(2022).

Estadística Espacial con R.

https://rubenfcasal.github.io/estadistica_espacial/index.html

• Soils for nutrition: state of the art. (2022). In Soils for nutrition: state of the art.

https://doi.org/10.4060/cc0900en

• Susha Lekshmi, S. U., Singh, D. N., & Shojaei Baghini, M. (2014). A critical

review of soil moisture measurement. In Measurement: Journal of the International Measurement Confederation (Vol.

54).

https://doi.org/10.1016/j.measurement.2014.04.007

• Taiz, L. (University of C., & Zeiger, E. (University of C. (2006). Plant Fisiology.

Cell, 1.

• Tiruneh, G. A., Alemayehu, T. Y., Meshesha, D. T., Vogelmann, E. S., Reichert,

J. M., & Haregeweyn, N. (2021). Spatial variability of soil chemical properties under different land-uses in Northwest Ethiopia. PLoS ONE, 16(6 June). https://doi.org/10.1371/journal.pone.0253156

• Tola, E., Al-Gaadi, K. A., Madugundu, R., Zeyada, A. M., Kayad, A. G., &

Biradar, C. M. (2017). Characterization of spatial variability of soil physicochemical properties and its impact on Rhodes grass productivity. Saudi Journal of Biological Sciences, 24(2). https://doi.org/10.1016/j.sjbs.2016.04.013

• Tuller, M., Or., D.(2003). Retention of water in soil and the soil water

characteristic curve. SOIL WATER CHARACTERISTIC.

• Tziachris, P., Aschonitis, V., Chatzistathis, T., & Papadopoulou, M. (2019).

Assessment of spatial hybrid methods for predicting soil organic matter using

DEM

derivatives and soil parameters.

Catena,

174.

https://doi.org/10.1016/j.catena.2018.11.010

• Vacca, G. (2020). WEB open drone map (WebODM) a software open source to

photogrammetry process.

Unica.It.

Retrieved July

30,

2023, from https://iris.unica.it/retrieve/e2f56ed9-5ee1-3eaf-e053- 3a05fe0a5d97/TS01B_vacca_10728.pdf

• Vargas Diaz, R. E., Galindo Pacheco, J. R., Giraldo Henao, R., Varón Ramírez,

V. M., Wilches Ortiz, W. A., & Franco Florez, C. V. (2023). Metodologías de

interpolación y predicción espacial para el análisis de las propiedades físicas del suelo en la hoya del río Suárez (Colombia).

Siembra,

10(1).

https://doi.org/10.29166/siembra.v10i1.4118

• Vargas, Liseth., & Mesa, E. (2021). Introducción al análisis de datos con

RStudio. Cenipalma.

• Vaz, C. M. P., Jones, S., Meding, M., & Tuller, M. (2013). Evaluation of

Standard Calibration Functions for Eight Electromagnetic Soil Moisture Sensors. Vadose Zone Journal, 12(2). https://doi.org/10.2136/vzj2012.0160

• Vélez, S., Martínez-Peña, R., & Castrillo, D. (2023). Beyond Vegetation: A

Review Unveiling Additional Insights into Agriculture and Forestry through the Application of Vegetation Indices. J, 6(3). https://doi.org/10.3390/j6030028

• Wackernagel, H. (1995). Multivariate geostatistics: an introduction with

applications. Multivariate Geostatistics: An Introduction with Applications. https://doi.org/10.2307/2291758

• Wang, H. J., Shi, X. Z., Yu, D. S., Weindorf, D. C., Huang, B., Sun, W. X.,

Ritsema, C. J., & Milne, E. (2009). Factors determining soil nutrient distribution in a small-scaled watershed in the purple soil region of Sichuan Province, China. Soil and Tillage Research, 105(2). https://doi.org/10.1016/j.still.2008.08.010

• Xue, J., & Su, B. (2017). Significant remote sensing vegetation indices: A

review of developments and applications. In Journal of Sensors (Vol. 2017). https://doi.org/10.1155/2017/1353691

• Yana, J., Lee, C. K., Umeda, M., & Kosaki, T. (2000). Spatial variability of soil

chemical properties in a paddy field. Soil Science and Plant Nutrition, 46(2). https://doi.org/10.1080/00380768.2000.10408800

• Yang, W., Zhao, Y., Wang, D., Wu, H., Lin, A., & He, L. (2020). Using principal

components analysis and idw interpolation to determine spatial and temporal changes of Surfacewater quality of Xin’Anjiang river in huangshan, china. International Journal of Environmental Research and Public Health, 17(8). https://doi.org/10.3390/ijerph17082942

• Zamora, K. (2017). Uso potencial de lixiviados y tés de vermicompost en el

control del ojo de gallo del cafeto Mycena citricolor. Agronomía Costarricense, 41(1). https://doi.org/10.15517/rac.v41i1.29747

• Zhang, H., Zhuang, S., Qian, H., Wang, F., & Ji, H. (2015). Spatial variability

of the topsoil organic carbon in the Moso bamboo forests of Southern China in association with soil properties.

PLoS

ONE,

10(3).

https://doi.org/10.1371/journal.pone.0119175

• Zhang, Z., Yu, D., Shi, X., Weindorf, D. C., Sun, W., Wang, H., & Zhao, Y.

(2011). Effects of prediction methods for detecting the temporal evolution of soil organic carbon in the Hilly Red Soil Region, China. Environmental Earth Sciences, 64(2). https://doi.org/10.1007/s12665-010-0849-z

10. ANEXOS

Anexo 1. Resultados correlogramas.

Fuente: (Elaboración propia, 2024)

Anexo 2. Resultados generales: modelos teóricos postulados.

Fuente: (Elaboración propia, 2024)

Anexo 3. Resultados específicos: modelos teóricos seleccionados.

Fuente: (Elaboración propia, 2024)

Anexo 4. Líneas de código correspondientes a los objetivos específicos 1 y 2.