UNIVERSIDAD DE CIENCIAS APLICADAS Y AMBIENTALES U.D.C.A

FACULTAD DE INGENIERÍA AGRONÓMICA

EVALUACIÓN DEL USO POTENCIAL DEL SENSOR VERIS PH MANAGER

CONSIDERANDO LA INFLUENCIA DE LA HUMEDAD DEL SUELO Y DE LA

FRACCIÓN ARCILLA EN SUS LECTURAS.

Andrea Patricia Gutiérrez Hernández

Director:

Prof. Jose Paulo Molín (USP-ESALQ) Ingeniero Agrícola, PhD en Ingeniería Agrícola (Universidad de Nebraska)

Codirector:

Mateus Tonini Eitelwein Ing. Agrónomo, PhD en Ingeniería de Sistemas Agrícolas (USP- ESALQ)

BOGOTÁ, 2017

Al Profesor Dr. Jose Paulo Molin

DEDICO

A los profesores y funcionarios del Departamento de Ingeniería de Biosistemas, compañeros de la Pós-Graduación y del Grupo de Mecanização y Agricultura de Precisão (gMAP) de la Universidad USP- Esalq. Por la asesoría de la profesora Melissa Lis de la Universidad U.D.C.A.

AGRADEZCO

A DIOS por darme el don de la vida A MIS PADRES CARLOS Y JANETH por todo el apoyo y esfuerzo que hicieron Y A MI HIJA ISABELLA por ser mi motor y mi mayor alegría

OFREZCO

“Cada persona, en su existencia, puede tener dos actitudes: construir o plantar. Los constructores un día terminan aquello que estaban haciendo y entonces les invade el tedio. Los que plantan a veces sufren con las tempestades y las estaciones, pero el jardín jamás para de crecer.”

PAULO COELHO

RESUMEN

El conocimiento de la variabilidad espacial de los atributos físicos y químicos del suelo dentro de un campo agrícola es fundamental para el éxito en el manejo de zonas específicas del cultivo. Técnicas de sensoramiento del suelo para evaluar esa variabilidad están siendo desarrolladas, buscando el aumento de la densidad de mediciones. El uso de sensores directos han mostrado un gran potencial en el manejo de los cultivos, por ejemplo el sensor Veris pH que hace determinaciones georreferenciadas de pH en el suelo adquiriendo un gran número de registros por unidad de área. El presente trabajo tuvo como objetivo general evaluar el uso potencial del sensor Veris pH Manager TM en suelos de la ciudad de Piracicaba – en el estado de Sao Paulo, considerando la influencia de la humedad del suelo y de la fracción arcilla en sus lecturas. El trabajo se realizó en una área de 15.5 hectáreas y a partir de 208 lecturas realizadas por el equipo, fueron escogidos 27 puntos, en los cuales se recogieron muestras de suelo; para comparar resultados de laboratorio con las lecturas del sensor. Se realizó la determinación de pH en H2O (1:2,5) y KCl (1N). Los valores de pH medidos con el sensor fueron mayores que los obtenidos por los métodos de laboratorio, obteniendo una media de (6,45). La media de pH en KCl fue más baja (4,81) que la obtenida en H2O (5,32). Los datos se describieron con precisión mediante el método de regresión lineal obteniendo un R2= 0.74 para pH en H2O y un R2 = 0.76 para pH en KCl. Caso contrario ocurrió al no haber asociación entre los valores de pH y la fracción de arcillas. La influencia de la humedad del suelo en los valores de pH fueron proporcionalmente crecientes con el aumento de la cantidad de agua en el rango de 0% a 30%, el valor de pH a partir de 30% se estabiliza.

TABLA DE CONTENIDO

RESUMEN ..................................................................................................................................... 7

1. INTRODUCCIÓN .................................................................................................................... 10

2.

OBJETIVOS ...................................................................................................................... 12 2.1 General ............................................................................................................................... 12 2.2 Específicos ........................................................................................................................ 12

3.

REVISIÓN DE LITERATURA ......................................................................................... 13 3.1 Agricultura de Precisión y el gerenciamiento de la variabilidad ................................ 13 3.2 La agricultura de precisión en la determinación del pH del suelo ............................ 18 3.2.1 Acidez y pH del suelo ................................................................................................... 21 3.2.1.1 Acidez activa ............................................................................................................... 21 3.2.1.2 Acidez potencial ......................................................................................................... 22 3.2.2 Influencia de la acidez en la producción agrícola .................................................... 23 3.2. 3 Fracción arcilla y pH .................................................................................................... 24 3.2.3.1 Caolinita, óxidos de hierro y de aluminio ............................................................... 26

4.

MATERIALES Y MÉTODOS .......................................................................................... 27 4.1 Localización del área de estudio .................................................................................... 27 4.2 Determinación de pH ....................................................................................................... 28 4.2.1 Lecturas de pH en campo ............................................................................................ 28 4.2.2 Muestreo en campo ...................................................................................................... 30 4.2.3 Análisis Químico (pH) ................................................................................................... 32 4.3 Influencia de la humedad en las lecturas de pH ......................................................... 32 4.4 Determinación granulométrica ........................................................................................ 34 4.5 Análisis estadístico .......................................................................................................... 34 4.6 Generación de mapas de la distribución espacial ....................................................... 35

5. RESULTADOS Y DISCUSIONES ....................................................................................... 36

5.1 Comparación de metodologías de determinación de pH ........................................... 36 5.1.2 Diagrama de bloques.................................................................................................... 37 5.1.3 Diagrama de Dispersión ............................................................................................... 38

5.1.4 Correlación: Pearson .................................................................................................... 38 5.1.5 Regresión linear ............................................................................................................ 39 5.2 Influencia de la humedad del suelo en las lecturas .................................................... 45 5.3 Influencia de la fracción arcilla en el pH ....................................................................... 47

6. CONCLUSIONES Y RECOMENDACIONES ..................................................................... 51

7. BIBLIOGRAFÍA ...................................................................................................................... 53

1. INTRODUCCIÓN

La rápida tasa de crecimiento poblacional ha generado la necesidad de suplir los requerimientos alimenticios a mayor escala. El gran desafío de la agricultura sostenible es mantener la productividad de acuerdo con el crecimiento de la población, para esto la agricultura de precisión es una importante herramienta a ser utilizada (Rabello et al., 2014). La Agricultura de Precisión (AP) es un sistema de gestión agronómico, cuyo fundamento se origina en la observación y análisis de la información georreferenciada del sistema productivo, lo que permite tomar en consideración la variabilidad espacial de las propiedades del suelo y del cultivo, con el fin de obtener un aumento en la productividad de los cultivos, reducir los costos de producción y causar menor impacto al medio ambiente.

Convencionalmente los cultivos son tratados de forma homogénea, ignorando las inherentes variaciones entre el suelo y el cultivo. Según Sethuramasamyraja et al. (2008), el conocimiento de la variabilidad espacial de los atributos del suelo dentro de un campo agrícola, es fundamental para el éxito del manejo del cultivo en zonas específicas. Muestreos más densos de suelo son necesarios para producir mapas representativos de las propiedades del suelo, si se cuenta con mapas de alta resolución es posible reducir significativamente los errores de estimación y obtener mayor rentabilidad potencial para el tratamiento de suelo en tasa variable (Adamchuk et al., 2004; Pierce & Nowak, 1999). La AP puede reducir los costos de producción y aumentar la productividad al considerar la variabilidad espacial del medio agrícola, haciendo uso muchas veces de alta tecnología encaminada a la producción agrícola (Brandao et al., 2008).

Investigadores y fabricantes han desarrollado diferentes técnicas de sensoriamiento que utilizan principios eléctricos, electromagnéticos, ópticos, radiométricos, acústicos, mecánicos y electroquímicos de medición, que permiten evaluar la variabilidad de las diferentes propiedades mecánicas, físicas y químicas del suelo. Según Sonka et al. (1997) citado por Adamchuk et al. (2004), estos sensores

tienen el potencial de proporcionar beneficios, incrementando la densidad de mediciones y disminuyendo los costos en relación al muestreo en campo y a los análisis de laboratorio convencionales.

El uso de sensores directos, tiene un alto potencial de aplicación en el manejo de los cultivos, por ejemplo el sensor Veris pH Manager TM, desarrollado y testado por Adamchuk et al. (1999), modificado por Lund et al., en 2005; cuenta con una plataforma de sensores múltiples, permitiendo evaluar diferentes propiedades del suelo en simultáneo y obteniendo un gran número de determinaciones georreferenciadas por unidad de área, las cuales pueden ser representadas en mapas detallados de cada atributo (Resende et al., 2014).

Según Sousa (2013), se puede inferir que las muestras cuyas determinaciones son realizadas por el conjunto sensor en tiempo real no siguen un patrón de humedad, siendo este atributo variable de acuerdo con los suelos evaluados, debido a que en una misma área caracterizada por un único perfil de suelo, la humedad de las muestras de suelo correspondiente a los puntos muestreados no presenta homogeneidad. Los suelos brasileros en general, son suelos ácidos y con baja disponibilidad de nutrientes necesarios para el mayor rendimiento de los cultivos. En el caso de los suelos del Estado de Sao Paulo, ácidos por origen, desarrollados en condiciones favorables para los procesos de acidificación, presentan baja capacidad de amortiguación, o escasa resistencia al cambio de pH, condición asociada a la composición de la fracción arcilla (minerales caoliníticos) de la mayoría de estos suelos (RAIJ et al., 1985). Los suelos con altos niveles de caolinita generalmente presentan menor fertilidad que los suelos con minerales de tipo 2:1 (Dixon & Weed, 1989). En este sentido la corrección de la acidez para los suelos del Estado de Sao Paulo es fundamental para el desarrollo de los cultivos.

Partiendo de los resultados positivos de la medición de pH en el suelo en tiempo real en campo, el presente trabajo tiene como objetivo evaluar el uso potencial del conjunto sensor íon-selectivo Veris pH Manager TM en la ciudad de Piracicaba, considerando la influencia de la humedad del suelo y de la fracción arcilla en sus lecturas.

2. OBJETIVOS

2.1 General

Evaluar el uso potencial del sensor Veris pH Manager TM en suelos de la ciudad de Piracicaba – en el estado de Sao Paulo, considerando la influencia de la humedad del suelo y de la fracción arcilla en sus lecturas.

2.2 Específicos

a) Evaluar la precisión de las lecturas de pH realizadas por el sensor Veris pH en tiempo real comparando los resultados con los de referencia (laboratorio).

b)

Desarrollar una metodología para identificar la influencia de la humedad

del suelo utilizando diferentes concentraciones de H2O en la determinación de pH de suelo con electrodos íon-selectivos.

c) Identificar la relación entre la fracción arcilla del suelo y el pH en suelos de la ciudad de Piracicaba – en el estado de Sao Paulo.

3. REVISIÓN DE LITERATURA

3.1 Agricultura de Precisión y el gerenciamiento de la variabilidad

Con el objeto de suplir las necesidades alimenticias de la creciente población mundial, se ha ampliado la frontera agrícola incrementando las actividades productivas, causado grandes impactos al medio ambiente, como consecuencia al uso excesivo de agroquímicos como fertilizantes, enmiendas, herbicidas, fungicidas y pesticidas, favoreciendo diferentes procesos degradativos del suelo y la pérdida de la calidad de los recursos agua y suelo. Según el World Resources Institute (1998), desde los años noventa, prácticas erróneas en la producción agrícola, han contribuido a una degradación del 38% de las áreas productivas, es decir aproximadamente 1.5 billones de hectáreas en todo el planeta, alcanzando pérdidas anuales de 5,5 millones de hectáreas.

Considerando los precios crecientes de los fertilizantes, la reducción del uso de insumos y disminución del impacto ambiental, se espera que las estrategias de manejo incluyan la incorporación de la Agricultura de Precisión (AP) como una herramienta principal. Según el Ministerio de Agricultura, Pecuaria y Abastecimiento del Brasil (2013), la agricultura de precisión se define como un conjunto de herramientas y tecnologías aplicadas para permitir un sistema de gerenciamiento agrícola basado en la variabilidad espacial y temporal de las propiedades edáficas y del cultivo, enfocado hacia la optimización de la actividad productiva, incrementando la relación costo/beneficio, la sostenibilidad y la protección del medio ambiente (Pires et al, 2004). El éxito de su implementación se ve reflejado en buenos resultados productivos (plantas más vigorosas, mayor rendimiento), un proceso agrícola más racional, responsable y trazable, demandante de mano de obra calificada y, dirigida hacia el desarrollo sostenible. Su concepto se basa en un delicado balance entre maximizar la producción y mantener la estabilidad económica, minimizando la utilización de los recursos naturales y disminuyendo los impactos ambientales nocivos por la utilización excesiva de agroquímicos contaminantes (Rabello et al, 2014).

La AP conceptualmente es presentada en tres etapas: El inicio determinado por la lectura, que consiste en el levantamiento y obtención de datos. La segunda etapa es la de interpretación de los datos para la planeación de las operaciones de campo y la tercera la de actuación o de ejecución del planeamiento (Inamasu et al, 2014). La práctica de la agricultura de precisión fue iniciada con el propósito del manejo de nutrientes, fundamentada únicamente en un esquema de muestreo de suelo en malla. Como este fue un procedimiento que tuvo muy buenos resultados en parcelas experimentales, era de esperar el mismo resultado al ser utilizado en grandes áreas. Se acreditaba que este procedimiento sería capaz de identificar todas las causas de las variabilidades de los rendimientos de un campo cultivado. Una malla de una hectárea por muestra fue definida para la mayoría de las aplicaciones y a partir de estos muestreos eran construidos los mapas de fertilidad y de recomendaciones. Entretanto la mayoría de los agricultores quedaron decepcionados porque no hubo variabilidad de los rendimientos de sus campos de producción (Schepers et al., 2000). Según Van Schilfgaarde (1999), la AP adoptó rápidamente tecnologías electrónicas y de información para facilitar los estudios del cultivo dentro de su variabilidad espacial. Actualmente la agricultura de precisión adopta tecnologías más sofisticadas, que incluyen el uso de Sistemas de Posicionamiento Global (GPS por su sigla en inglés), sistemas de monitoreo en campo, sistemas de aplicaciones en tasa variable de productos agroquímicos combinados, adaptados con sistemas de información geográfica (GIS por su sigla en inglés) y sensores remotos (inducción electromagnética, fotografía aérea, imágenes de satélites, etc.); como también, el uso de tecnologías de medidas rápidas de propiedades de suelo, tal como resistividad eléctrica y TDR (Time Domain Reflectometry) (Plant, 2001).

El uso de sensores directos y/o remotos, conforme haya o no contacto físico con el objeto o blanco respectivamente, ha denotado gran potencial de aplicación en el manejo de los cultivos. Son ejemplos de sensores los utilizados en la determinación de la productividad de los cultivos, del pH del suelo, de las cantidades de materia orgánica, de la conductividad eléctrica, de la humedad volumétrica del suelo, de la

condición de nitrógeno en plantas, así como los sensores de múltiples propósitos instalados en satélites orbitando la Terra (Resende et al, 2014). Con la implementación de los GIS, se abrió paso al estudio detallado de la variabilidad espacial de diferentes propiedades del suelo. Para ello es necesario incorporar el análisis geoestadístico, que permite comprobar la precisión de los datos colectados en campo y estimar algunas propiedades en zonas de difícil alcance, por medio de la interpolación de información (Vieira, 2000; Oliver, 2010). Convencionalmente los cultivos son tratados de forma homogénea, ignorando las variaciones del suelo y del cultivo. Esto conlleva a la necesidad de detallar las áreas agrícolas en relación a la variabilidad espacial de los atributos físicos y químicos del suelo y de la planta, teniendo en cuenta los impactos socioeconómicos y ambientales (Rabello et al, 2014).

Según Rabello et al (2014), la variabilidad espacial en cultivos es el resultado de una compleja interacción de factores biológicos (flora, macro meso y microfauna), edáficos (pH, acidez, salinidad, materia orgánica, nutrientes, etc.), antrópico (actividades humanas, compactación del suelo debido a máquinas agrícolas), topográficos (relieve, elevación) y climáticos (precipitación, humedad relativa, temperatura, etc.).

Según Zhang, Yamasaki y Kimura (2002), son seis los factores de variabilidad que afectan la producción agrícola:

• Variabilidad de la producción: distribución histórica y actual de la productividad.

• Variabilidad de campo: altitud, declive, aspecto del paisaje, terraza, proximidad

al borde de ríos y lagos.

• Variabilidad del suelo: fertilidad del suelo (N, P, K, Ca, Mg, C, Fe, Mn, Zn y Cu),

cambios en los atributos de la fertilidad del suelo resultantes de la aplicación de fertilizantes orgánicos (ej. Abonos verdes, estiércol, etc.), propiedades físicas del suelo (textura, densidad, cantidad de humedad y conductividad eléctrica), propiedades químicas (pH, carbono orgánico, CIC) y profundidad del suelo.

• Variabilidad del cultivo: densidad de siembra, altura de la planta, estrés

nutricional, estrés hídrico, propiedades biofísicas de la planta (ej. índice de área foliar y biomasa), contenido de clorofila en la hoja y calidad de grano.

• Variabilidad de factores anómalos: infestación de plantas dañinas, ataque de

plagas, presencia de nematodos, heladas y granizo.

• Variabilidad en el manejo: rotación de cultivos, aplicación de fertilizantes y

pesticidas.

Para gerenciar la variabilidad dentro de un cultivo, deben ser especificadas regiones georreferenciadas que exhiban un comportamiento semejante al tratarse de una característica específica (Van Uffelen; Verhagen; Bouma, 1997). Molin (2004) lista las diferentes causas de la variabilidad y grado de dificultad para su intervención y concluye que muchas de las posibles causas no permiten intervenciones y si exigen la convivencia. Entendiéndose la convivencia como la comprensión de las características de la variabilidad y aprovechando lo mejor que ellas puedan ofrecer dentro de las limitaciones y de las potencialidades.

Adicionalmente, otro problema que surgió fue referente a los costos de los muestreos y de los análisis de suelo que comenzaron a ser cuestionados por los agricultores, en cuanto a su viabilidad práctica y económica. A partir de todos estos cuestionamientos nuevas direcciones comenzaron a ser buscadas (Luchiari et al,

2014).

Varvel, et al (1999) mostraron que la imagen aérea de un suelo descubierto presentaba un mismo patrón de distribución de materia orgánica y de nutrientes de que los mapas resultantes de un esquema intensivo de muestreo en malla. A partir de este estudio un gran número de productores y proveedores de servicio comenzó a considerar el uso de imágenes aéreas para orientar los lugares de muestreo y disminuir costos de colectas y análisis de laboratorio. Nuevos abordajes, como zonas de manejo homogéneo se mostraron promisorios para indicar los lugares en los cuales los muestreos deberían ser hechos Luchiari, et al. 2000; Taylor; McBratney; Whelan, 2007 definen las zonas de manejo (ZM) como áreas de terreno continuas y asociadas a una clase de manejo especifico, de igual producción potencial, eficiencia del uso de insumos y riesgo de impacto ambiental. Cuestionadas para regiones de gran variabilidad temporal las ZM encontraron respaldo en los datos de Sensoramiento Remoto (Schepers, et al. 2005).

Estos últimos autores utilizaron mapas de cosecha, mapas de conductividad eléctrica del suelo, mapas de clasificación de suelos e imágenes aéreas para delinear zonas homogéneas de manejo y para direccionar los muestreos de suelo. Los mapas de rendimiento por sí solos, no son suficientes para proveer informaciones para distinguir entre las diversas fuentes de variabilidad y no dan orientaciones claras sobre la influencia de la variabilidad del clima, plagas, enfermedades y propiedades físico-químicas del suelo dentro de un cultivo en un determinado año. El mapeo de la productividad es considerado por muchos autores una parte esencial de la agricultura de precisión (Makepeace, 1996). Thylén et al. (1997) consideran que el mapa de productividad es uno de los métodos más correctos para estimar la heterogeneidad de un cultivo. Un mapa de productividad evidencia regiones con alta y baja productividad, mas no explica la causa de tal variación, que puede ser debido a enfermedades, a deficiencias nutricionales, a desequilibrios químicos o estrés hídrico y si la causa específica no es determinada, ninguna respuesta al gerenciamiento puede ser obtenida (Lark & Stafford, 1997). La utilización de Sensores Remotos (SR) en AP facilita el diagnóstico especializado para llevar tomas de decisión en el manejo agrícola. Los SR pueden ser divididos en dos categorías: pasivos o activos. Los sensores pasivos registran la energía electromagnética reflectada o emitida por cuerpos u objetos. El sensoramiento remoto pasivo se basa en el hecho de que todos los cuerpos por encima de cero absoluto (-273°C) emiten radiación. Son ejemplos de sensores pasivos los sensores multiespectrales a bordo de diversos satélites como el Operational Land Imager (OLI) a bordo del satelite Landsat 8 y el Moderate Resolution Imaging Spectroradiometer (MODIS), a bordo de los satélites TERRA y AQUA. Los sensores activos proporcionan fuente propia de energía electromagnética, como los radares, sonares, sensores activos de dosel (como el Crop Circle y Greenseeker) y LiDAR. Este último sistema (LiDAR - Light Detection and Ranging) dispara pulsos de láser sobre el terreno e identifica los respectivos retornos, tornando posible saber con precisión las coordenadas X, Y y Z de puntos en el terreno (Rabello et al., 2014). La radiometría espectral es una de las más importantes áreas de Sensoramiento Remoto, pudiendo ser efectiva por medio de medidas realizadas en laboratorio o en

campo. Ella identifica la intensidad con la que cada material, sea un tipo de suelo, de roca o de vegetación, refleja la radiación electromagnética en diferentes longitudes de onda de espectro (Brandao et al., 2008). Así, datos de la reflectáncia han sido asociados a las características de las plantas como el índice de área foliar, la biomasa o la fracción radiactiva interceptada fotosintéticamente.

El desempeño de sensores multiespectrales para conocer la condición de nitrógeno en plantas, se fundamenta en la correlación entre nutrición nitrogenada y la intensidad de la coloración verde de las plantas, por medio del abastecimiento del Índice de Vegetación por Diferencia Normalizada (NDVI). De este modo, se pueden relacionar las lecturas con los niveles de fertilización nitrogenada, contenido de N foliar y productividad (Molin, 2010).

El monitoreo y la evaluación de los recursos del suelo iniciaron una nueva era, en función de la calidad de la información producida por las nuevas tecnologías de carácter innovador, como el GIS y el sensoramiento remoto y directo. Actualmente se entiende que, para formular mapas de aplicación, es importante el dominio de GIS, geoestadística, fundamentos sólidos en agronomía, mucha experiencia en campo y, obviamente, saber identificar las causas de la variabilidad. Este escenario demuestra que un amplio campo de estudios dentro del sensoramiento remoto y directo viene siendo abierto y posee aún grandes desafíos principalmente en regiones tropicales, donde la limitación en la adquisición de imágenes, sistema de producción en plantío directo, costo de equipamientos y personal calificado prevalecen en la adopción de estas tecnologías.

3.2 La agricultura de precisión en la determinación del pH del suelo

El sensoriamiento directo ó proximal, en el cual los sensores están en contacto o muy próximos del suelo, tienen la posibilidad de detectar más fácilmente las propiedades cuando son comparados con los sensores remotos. Existen tres tipos de sensores comercialmente disponibles para el sensoriamiento proximal: 1) sensores eléctricos y electromagnéticos que miden la capacitancia, conductividad o resistividad eléctrica del suelo; 2) Sensores ópticos que obtienen espectros de reflectancia en lo visible e infrarrojo cercano (Vis-NIR); 3) Sensores electroquímicos que utilizan membranas ion-

selectivas para detectar la actividad de iones como hidrógeno, potasio y nitrato (Gebbers y Adamchuk, 2010).

Los sistemas de electrodos ion-selectivos consisten en membranas selectivas de iones específicos al electrodo de referencia. Por ejemplo, el electrodo de pH es un electrodo de ion selectivo para el ion hidrógeno. La diferencia del potencial dada en milivolt (mV) entre la membrana selectiva y la referencia es medida y convertida en actividad del ion específico en la solución de prueba. Esta actividad generalmente está correlacionada con la concentración del ion de interés. La diferencia de potencial entre los dos electrodos dependerá de la actividad del ion específico en solución. En general, esa diferencia de potencial muestra relación linear con el logaritmo de la actividad iónica del analito, tal como en la Ecuación de Nerst (Joo y Brown, 2008) citado por (Souza, 2013).

–

Donde:

E – Potencial medido; E0 – Potencial patrón del electrodo, variable con la temperatura; R – Constante universal de los gases, 8,31439 J mol-1 K-1; T – Temperatura del medio; Z – Carga del ion, en el caso del hidrógeno, +1; F – Constante de Faraday, 96493.1 C mol-1.

El primer equipo de medición de pH de suelo en movimiento fue presentado por Adamchuk et al. (1999). El equipo fue desarrollado como una alternativa para el aumento de la densidad muestral de suelo con el fin de caracterizar mejor la variabilidad espacial de pH y realizar el manejo de enmiendas en sitio específico. El sistema funciona como una plataforma automática de colecta de muestras de suelo en una profundidad que puede variar de 0 a 0,20 m. Las lecturas son realizadas sin necesidad de preparar la muestra cada 7 a 25 segundos (dependiendo de la respuesta del electrodo) directamente en el suelo por dos electrodos ion-selectivos, se registra su

posición geográfica, posteriormente el lavado de los electrodos y la obtención de la muestra siguiente. Los resultados demostraron una correlación linear de 0,83 entre los valores observados en campo y en laboratorio.

En función de los buenos resultados la plataforma se hizo comercial (Veris® pH ManagerTM), con la posibilidad de sustitución de los electrodos de pH por otros iones de interés. Adamchuk et al. (2005) substituyeron los electrodos y estudiaron el potencial de utilización del equipamiento para medir pH, K disponible, nitrato y sodio. Evaluaron la precisión de las lecturas en campo, siendo los coeficientes de determinación de las regresiones (R²) entre las lecturas de campo y referencia (laboratorio) fueron de 0,93 y 0,96 para pH del suelo, 0,61 y 0,62 para K disponible, 0,41 y 0,51 para nitrato, y 0,11 para sodio. Los autores demostraron que el método de medición de pH en campo es bastante prometedor para aplicaciones en agricultura de precisión, presentando un potencial de uso de otros electrodos ion-selectivos, de acuerdo con el siguiente orden de precisión: potasio > nitrato > sodio.

Sethuramasamyraja et al. (2008) utilizando el equipamiento Veris® pH ManagerTM con algunas adaptaciones, evaluaron la exactitud de la medición de pH, potasio disponible y nitrato en tiempo real en el campo. El equipamiento fue modificado para colectar muestras y prepararlas en solución acuosa antes de las lecturas por los pares de electrodos ion-selectivos. Los coeficientes de regresión (R²) linear entre los datos de campo y laboratorio fueron de 0,85 y 0,89 para pH del suelo, 0,50 y 0,54 para potasio disponible, 0,14 e 0,32 para nitrato.

Un análisis agro económico de mapeo automatizado de pH de suelo mostró que la mayor resolución proporcionada por esos mapas, puede significativamente reducir los errores en general, resultando un potencial para la utilización en recomendaciones de aplicación de calcáreo en tasa variable. En comparación con el método de muestreo en malla de una muestra por hectárea, el mapeo automatizado logró un aumento de US $ 6,13 ha-1 en términos de ingreso neto sobre el costo del calado durante una simulación del ciclo de cuatro años de un sistema de rotación de cultivos de maíz-soja (Adamchuk et al., 2004).

3.2.1 Acidez y pH del suelo

Los suelos pueden ser naturalmente ácidos debido a la deficiencia en bases del material de origen; a la interacción del suelo con el clima principalmente en áreas donde la pluviosidad es elevada; o por resultado de los procesos de formación que favorecen la remoción o desplazamiento desde el coloide hacia la solución del suelo, de los cationes básicos calcio (Ca2+), magnesio (Mg2+), potasio (K+) y sodio (Na+) del sistema del suelo, substituyéndolos por iones aluminio (Al3+) e hidrógeno (H+) (Catani & Gallo, 1955; Raij, 1991).

Según Quaggio & Raij (2001), la acidez se divide en activa y potencial, y está determinada por la concentración de iones H+ disociados en la solución del suelo.

3.2.1.1 Acidez activa

La acidez activa se refiere a la cantidad de iones H+ presentes en la solución del suelo, generalmente esta concentración es baja comparada con los iones H+ adsorbidos (Catani & Gallo, 1955). Es expresada por el valor del pH del suelo; y cuanto más bajo sea el pH mayor es la cantidad de H+ por ende la acidez activa del suelo.

La metodología más común para determinar el pH implica el uso de un electrodo de vidrio conectado a un potenciómetro, el cual es inmerso en una pasta saturada de diferentes relaciones suelo:agua (1:1; 1:2,5). Pueden ser usadas, también, soluciones salinas, como el KCl y CaCl2 en relaciones similares (USDA, 2005).

Matemáticamente, el pH se define como el logaritmo negativo de la concentración (actividad) del ion H+, expresado por:

pH = - log10 a [H+ ] = log 1/[H+]

La concentración de H+ es dada en moles/litro o iones gramo/litro. Así, por ejemplo, si la concentración del ion H+ de una solución presenta una concentración de 0,0001 molar o 10-4 M en H+, el pH será igual a 4,0: pH = 4,0 = 10-4 moles/litro. El significado práctico de esta relación es que cada unidad de cambio en el pH del suelo significa un cambio de 10 veces en el grado de acidez o basicidad. Un suelo con pH = 6,0 tiene una acidez 10 veces mayor que pH = 7,0, es decir, 10 veces H+ más activo, significando que las necesidades de calcáreo aumentan rápidamente a medida que el pH disminuye (la acidez aumenta). La escala de pH varía de 0 a 14. En suelos brasileros pueden ser encontrados valores de 4,0 a 7,5. Suelos con pH por debajo de 7 son considerados ácidos y suelos con pH por encima de 7 son alcalinos (Sposito,

1989).

3.2.1.2 Acidez potencial

La acidez potencial es la suma de la acidez intercambiable y de la acidez no intercambiable, constituida por los iones H+ de los enlaces covalentes y electrovalentes y por el aluminio (Al3+) intercambiable (Raij & Quaggio, 2001).

Acidez intercambiable: se refiere a los iones Al³+ y H+ retenidos en la superficie de los coloides del suelo. Esta cantidad de H+ intercambiable representa menos de 5% de la acidez intercambiable. El Al3+ constituyente de la acidez intercambiable, también conocida por aluminio intercambiable o acidez nociva, es una de las principales causas de la acidez excesiva de ciertos suelos. Ese catión actúa en el meristema apical de la raíz, limitando el crecimiento de las raíces, cesando la división celular, ocupando espacios en los coloides posibilitando que los nutrientes libres en la solución del suelo sean lixiviados (Chao & Harward, 1962; Hue et al., 1986)

Cuando el Al+3 está predominante en los suelos, y por ser un ion de alta valencia, hace de éste, un buen competidor para la adsorción en los minerales (Thomas y Hargrove, 1984). Al ser desplazado por otro catión, el Al+3 pasa a la solución del suelo y se hidroliza, dando formación a H+, como en el esquema simplificado abajo:

Al+3 + H2O ↔ Al(OH)+2 + H+

Al(OH)+2 + H2O ↔ Al(OH)2

+ + H+

Al(OH)2

+ + H2O ↔ Al(OH)3

+ + H+

Fuente: BRADY, 1989. p. 203.

Acidez no intercambiable: es el ion H+ de enlace covalente asociado a los coloides en carga negativa y a los compuestos de aluminio. Es la acidez que los suelos presentan cuando el pH es menor que 5,5. Por encima de pH 5,5 no existe Al³+ intercambiable.

3.2.2 Influencia de la acidez en la producción agrícola

Uno de los factores más limitantes para el desarrollo de los cultivos es la acidez del suelo. Los suelos brasileros en general, son suelos ácidos y con baja disponibilidad de nutrientes necesarios para el mayor rendimiento de los cultivos. Según (Raij, 1991):  El aluminio (Al) y el manganeso (Mn) son tóxicos debido a la mayor solubilidad en suelos ácidos.

 La acidez disminuye la población de microorganismos que son responsables por la descomposición de la materia orgánica.  La capacidad de intercambio catiónico (CIC) es baja.  El calcio (Ca) y el magnesio (Mg) son limitantes, como también, la disponibilidad de fósforo (P) y molibdeno (Mo).

El propio cultivo y la cosecha tienden a acentuar el problema, principalmente debido a la absorción de cationes ácidos por las raíces de las plantas en el caso del cultivo y la extracción de bases por medio del material vegetal cogido (Souza, 2013). La variabilidad de las características del suelo está relacionada con sus características intrínsecas, es decir, con los factores de formación del suelo, y con el efecto del manejo del suelo (Dobermann 1994). Los suelos del estado de Sao Paulo ácidos por origen y ayudados por condiciones favorables al desarrollo de la

acidificación, presentan baja capacidad de amortiguación, o escasa resistencia al cambio de pH, dado sobre todo por los minerales caoliníticos constituyentes de la mayoría de estos suelos (RAIJ et al., 1985). Por lo tanto, una práctica que se hace indispensable, es la corrección de esta acidez.

La cal es el método más eficaz y económico para el tratamiento y prevención de suelos ácidos. En los últimos años, el costo de la cal y su carga ha aumentado. Una determinación más precisa del pH del suelo a través del terreno está garantizando que el dinero no se desperdicie aplicando cal en áreas donde no es necesario. Una de las soluciones innovadoras y rentables para el tratamiento de suelos ácidos, es intentar utilizar sensores de medición de pH para cartografiar la variabilidad espacial del pH del suelo a través de los terrenos que permitirán una focalización más precisa de las aplicaciones de cal. Esto es importante porque las diferencias en el pH del suelo de 0,1 unidades pueden llevar a diferencias en las recomendaciones de cal de hasta 400 kg · ha-1 de CaO.

Estudios han demostrado que la aplicación de la cantidad adecuada de cal para diferentes áreas del terreno en comparación con la aplicación de una tasa uniforme, puede reducir la cantidad total de cal aplicada obteniendo un ahorro de 20 a 60%. En algunos casos se puede requerir más cal en áreas más ácidas, pero el costo será recompensado en una mejor productividad.

3.2. 3 Fracción arcilla y pH

Las partículas de arcilla por presentar carga negativa y en menor extensión positiva pueden retener y liberar cationes y aniones, dentro de los cuales se presentan los principales nutrientes tales como: Ca, Mg, K, NH4+, PO4, SO4, entre otros. Las arcillas silicatadas en ambiente de elevada acidez, el Al+3 y el H+ son los cationes de intercambio dominantes, siendo que, las cargas permanentes o intrínsecas, son preponderantemente neutralizadas por el primero. El Al+3 es el principal íon en la resistencia a la elevación de pH cuando se adiciona correctivo en el suelo, hasta pH 5,0. (Chao & Harward, 1962).

Son dos los grandes grupos que constituyen los minerales de la arcilla: los designados como 1:1 y los designados como 2:1.

Los minerales 2:1 están formados por la unión de dos láminas de tetraedros con una lámina de octaedros intercalada entre ellas. Los principales ejemplos de esta clase de mineral son los minerales primarios, como las micas, biotita, moscovita y flogopita y los minerales secundarios, como las vermiculitas y esmectitas (Shulze, 1989). Dentro de este grupo de minerales secundarios se debe considerar la distinción entre expansibles (esmectitas), de expansibilidad limitada (vermiculita) y no expansibles (illita y vermiculita con hidróxido entre camadas).

Los minerales 1:1 presentan una estructura conformada por una lámina de tetraedros unida a una lámina de octaedros, compartiendo los oxígenos de los tetraedros. En esta configuración se forma una estructura rígida, por lo cual estas arcillas son bastante estables en el suelo; su principal característica radica en que la sustitución isomórfica que presentan es muy baja y por tanto su actividad físico-química también lo es. A este grupo pertenecen especies minerales comunes en suelos tropicales muy evolucionados como la Caolinita y la Haloisita (Besoain, 1985). El suelo con altos niveles de caolinita generalmente presenta menor fertilidad que los suelos con minerales del tipo 2: 1 (Dixon & Weed, 1989); (Bolland, 1976). Uno de los atributos más importantes del suelo es la capacidad de intercambio catiónico (CIC), que representa la cantidad de iones positivos que pueden ser retenidos por atracción electrostática, es decir, por atracción de cargas negativas formadas en los coloides por sustitución isomórfica, que se denominan cargas permanentes, y los iones que son retenidos en las aristas de las arcillas en grupos OH- y O-2, que se denominan cargas dependientes de pH (Chao & Harward, 1962; Raij, 1986; Raij & Quaggio, 2001). Los filosilicatos tipo 2:1 tienen alta actividad iónica debido al mayor número de cargas permanentes, teniendo sólo de 5 a 10% de cargas dependientes de pH, promoviendo adsorción de iones por las cargas negativas específicas, generadas de sustituciones isomórficas en la estructura de los minerales, presentan mayor CIC (Dixon & Weed, 1989).

Aunque los minerales silicatados 1:1 no son considerados en términos de cargas permanentes, sus pocas sustituciones isomórficas no posibilitan la accesibilidad interna

de cationes, debido principalmente a cargas dependientes de pH, muestran una menor CIC (Tisdale et al., 1985).

Dependiendo del grado de intemperismo se pueden formar minerales secundarios del tipo 2: 1, 1: 1 y óxidos. La alta intensidad de intemperismo lleva a la remoción de más sílice y bases del perfil del suelo, resultando en una constitución mineralógica de la fracción arcilla con predominante de minerales silicatados 1: 1 (caolinita) y óxidos de hierro y de aluminio (Raij, 1986) con gran importancia en las reacciones físico-químicas del suelo.

3.2.3.1 Caolinita, óxidos de hierro y de aluminio

La Caolinita (Ct) es el mineral más abundante en la mayoría de los suelos altamente intemperizados de los trópicos húmedos, junto con los óxidos de Fe y Al. La Ct se considera un mineral silicatado dependiente de pH, de poca sustitución isomórfica, lo que genera poca carga estructural y baja CIC, la adsorción iónica de este mineral ocurre en grupos O-2 y OH- en la superficie externa y en los bordes de estos coloides (Dixon & Weed, 1989).

Los óxidos de Fe y Al formados a partir de grados mayores de intemperismo debido a su baja solubilidad, son también importantes constituyentes en relación al color, estructura y reacciones de intercambios iónicos (Melo, 2001; Ghidin et al., 2006). Los óxidos de Fe son responsables de la pigmentación rojiza y amarronada. En la fracción mineral del suelo los principales materiales que poseen propiedades intercambiadoras de iones con cargas dependientes de pH son los óxidos de hierro y aluminio, éstos con carácter anfótero, o sea, presentan propiedades de intercambio de aniones y de cationes (Raij, 1986). Los óxidos presentes en los suelos también adsorben iones a través de grupos O-2 y OH- en la superficie externa y en los bordes de estos coloides (Schwertmann y Taylor, 1989).

4. MATERIALES Y MÉTODOS

4.1 Localización del área de estudio

El trabajo fue realizado en la Estación Experimental Fazenda Areão, coordenadas geográficas 22º41’27”S y 47º38’27”W en una área de 15,5 hectáreas. Esta zona ha sido empleada para la producción de maíz destinado para ensilaje, perteneciente a la Escuela Superior de Agricultura “Luiz de Queiroz” (ESALQ/USP) en el municipio de Piracicaba – en el estado de Sao Paulo.

La altitud media de Piracicaba es de 533 m, las regiones más bajas de la ciudad de Piracicaba tienen aproximadamente 420 m., mientras que las más altas tienen una media de 780 m. Por consiguiente, el municipio se sitúa en un área de declividad media del 7,8% (Barretto et al 2006).

La clasificación del clima de Köppen-Geiger es Cwa (Clima subtropical húmedo) para el municipio de Piracicaba, con temperatura promedio anual es de 20.8 °C. El mes más caluroso del año es enero con un promedio de 23.6 °C. Julio es el mes más frío del año con temperaturas promedio de 16.8 ° C. Piracicaba es una ciudad con precipitaciones significativas, incluso en el mes más seco hay mucha lluvia. La precipitación promedio anual es de 1255 mm, siendo julio el mes más seco, con 25 mm. La mayor parte de la precipitación cae en enero, promediando 238 mm (Climate-Data, 2017). Según el mapa pedológico a escala 1:10.000 del campus “Luiz de Queiroz” ESALQ-USP del año 2004, el suelo de la zona de estudio está clasificado según el Sistema Brasileiro de Clasificación de Suelos como un Nitossolo Vermelho distrófico latossólico (NVd), de textura arcillosa a moderada y según el sistema de clasificación de la USDA como un Typic Hapludox, confirmada la clasificación homóloga según el estudio realizado por Braida et al 2007. Es un tipo de suelo en el que predominan los óxidos de hierro y de aluminio y la caolinita, de baja capacidad de intercambio catiónico y que responde bien sólo si se hace aplicación de fertilizantes y correctivos.

4.2 Determinación de pH

4.2.1 Lecturas de pH en campo

Considerando una densidad aproximada de 13,42 puntos ha-1 se realizó la determinación de pH en campo en 208 puntos, empleando el sensor Veris MSP pH (Mobile Sensor Platform – pH Manager) (Salina, Kansas, EUA), conformado por un potenciómetro de contacto directo, con un par de electrodos de antimonio que permite la determinación del pH en tiempo real (Figura 1); y por un conjunto colector de muestras de suelo accionado hidráulicamente, (Souza, 2013). Para mediciones precisas, es esencial calibrar los electrodos de antimonio antes y después de la determinación de pH en campo usando soluciones tampón estándar de pH 4 y 7. La medición se realizó con suelo natural no hidratado, por lo que no se añade ninguna solución (H2O, KCl ó CaCl2) al suelo antes de ponerse en contacto con los electrodos.

Fuente: Eitelwein et al. (2015) Figura 1. Sistema sensores® MSP Soil pH manager

Conjuntamente con la operación del sistema sensor en campo, las coordenadas de 208 puntos de mediciones de pH fueron georreferenciadas utilizando el receptor GNSS Starfire ITC (Figura 2) con corrección diferencial SF1 (John Deere, Moline, Illinois, USA).

Figura 2. Receptor GNSS Starfire ITC (John Deere, Moline, Illinois, USA).

Si la diferencia entre las lecturas de los dos electrodos es inferior a 0,5 unidades de pH (dentro de un tiempo de medición de 30 segundos), el valor medio se almacena en una tarjeta Compact Flash junto con los datos de posición georreferenciada.

Se utilizó para la orientación del terreno una barra de luces programada para generar líneas virtuales espaciadas en 20 m (Figura 3)

Figura 3. Barra de luces.*Fuente: http://es.aliexpress.com.

La velocidad media adoptada para el desplazamiento de la plataforma fue de 1,5 m s-1, el eje colector de muestras de suelo operó en las profundidades de 0,05 a 0,15m superficiales del suelo.

4.2.2 Muestreo en campo

Para realizar la comparación entre las lecturas del sensor y los resultados de laboratorio, se seleccionaron 27 puntos de las 208 mediciones realizadas en campo con la plataforma automática de colecta de muestras de suelo del conjunto, densidad aproximada de 1.74 puntos ha-1 (Figura 4). Las muestras de suelo fueron recolectadas exactamente en los mismos puntos donde el Veris MSP realizó las lecturas.

Figura 4. Área de estudio, puntos establecidos para hacer análisis de laboratorio. Fuente: Google Earth 2015 modificada con QGIS

Posteriormente, las 27 muestras fueron secadas a 40ºC por 24 horas, molidas y tamizadas empleando mallas de 2mm para iniciar la determinación de pH y su granulometría en el Laboratorio de Suelos y Calidad de Agua (LEB-ESALQ) (Figura 5).

Figura 5. Determinación de pH en el Laboratório do Solos e Qualidade de Água (LEB-ESALQ)

4.2.3 Análisis Químico (pH)

La medición electroquímica de la concentración efectiva de iones H+ en la solución del suelo, fue realizada por medio de electrodo combinado, inmerso en suspensión suelo/agua en la proporción de 1:2,5 y KCl (1N) siguiendo la metodología descrita por Camargo et al. (2009).

4.3 Influencia de la humedad en las lecturas de pH

Para evaluar la influencia de la humedad del suelo en la toma de lecturas de pH realizadas por el sensor, se realizó un ensayo en el Laboratorio de Agricultura de Precisión (LAP) de la Escuela Superior de Agricultura “Luiz de Queiroz”, Piracicaba – SP (Figura 6), considerando siete concentraciones de humedad (Tabla 1), con 3 repeticiones para cada una de las 27 muestras seleccionadas. Para cada lectura se tomó 50 gramos de la fracción fina de suelo, y se saturó con agua del grifo cuyo pH era de 7.33 hasta obtener una pasta saturada homogénea según cada tratamiento propuesto, posteriormente empleando los electrodos de antimónio del sensor Veris

MSP pH en modo manual se realizaron las lecturas del pH, esperando entre 5 a 25 segundos para que se estabilizara la lectura del instrumento

.

Figura 6. Laboratorio de Agricultura de Precisión (LAP) en la Escuela Superior de Agricultura “Luiz de Queiroz”, Piracicaba – SP. Electrodos de antimónio del conjunto sensor en modo manual.

Tabla 1. Concentraciones de humedad (seco, 10%,20%,30%,40%,50%,100%). Cantidades de agua en (ml) adicionada hasta alcanzar el porcentaje de humedad deseado en muestras de 50 gramos de suelo.

Porcentaje (%) H2O Seco

0 ml

10

5 ml

20

10 ml

30

15 ml

40

20 ml

25 ml

100

50 ml

4.4 Determinación granulométrica

Se determinó la granulometría de las muestras empleando el método del densímetro o hidrómetro, propuesto en 1926 por Bouyoucos, siguendo los Métodos de Análisis de Suelo Embrapa (1997). El fundamento se centra en la capacidad de precipitación de las diferentes fracciones del suelo en suspensión. Con la ayuda de un densímetro, se relacionan las densidades con el tiempo de lectura y con la temperatura, calculando con esos datos el porcentaje de las partículas (Figura 7).

Figura 7. Determinación de textura en el Laboratório do Solos e Qualidade de Água (LEB-

ESALQ).

4.5 Análisis estadístico

Los procedimientos estadísticos consistieron en un análisis de estadística descriptiva, análisis de correlación y de regresión lineal, entre las lecturas en marcha y en laboratorio, suponiendo que las lecturas de laboratorio representan los valores de referencia, empleando el software R, versión 3.2.0 (R Core Team, 2015).

4.6 Generación de mapas de la distribución espacial

Fueron removidos datos erróneos con valores de pH incompatibles y diferencias mayores que 0,5 unidades entre la medida de un electrodo con el otro. Si la diferencia entre las dos lecturas es superior a 0,5, entonces se descarta el punto de muestreo. Estos datos erróneos son eliminados para obtener un mapa de distribución espacial confiable, tales errores pueden tener origen por algún problema de comunicación electrónica entre el monitor y los componentes del sistema sensor, así como el funcionamiento indebido de cualquiera de sus componentes. Después de la etapa de identificación de datos reales, fue realizada la interpolación utilizando el software VESPER v. 1.6 (Whelan et al., 2006) para la generación de los mapas y así poder visualizar las implicaciones directas del método de determinación de pH en los mapas de distribución espacial. Los mapas fueron generados en el siguiente orden: a) mapa de pH en H2O (1:2,5); b) mapa de pH en KCl (1N); c) mapa de pH generado solamente con 27 puntos determinado por el MSP en campo; d) mapa de pH de todos los puntos (208) determinado por el MSP en campo.

5. RESULTADOS Y DISCUSIONES

5.1 Comparación de metodologías de determinación de pH

La estadística descriptiva (Tabla 2), mostró que el pH promedio fue mayor en las determinaciones ISE utilizando el sensor Veris MSP (6,34) y disminuyó utilizando los métodos de análisis de laboratorio de pH en H2O (5,32) y KCl (4,81). Esta diferencia de 1,53 unidades de pH puede explicarse debido a los procedimientos de medición. La técnica del sensor que determina el pH instantáneo del suelo presenta mayor incertidumbre en las lecturas al compararlas con las realizadas en el laboratorio con muestras de suelo preparadas (secadas, trituradas, tamizadas y humectadas).

Tabla 2. Estadística descriptiva del pH de las muestras de suelo de la Fazenda Areão, medidas en el laboratorio de suelos y con el sensor Veris pH (MSP)

MSP

(total) Lab.

(H2O) Lab.

(KCl)

MSP

(27 am) N. Muestras

208

27

27

27

Mínimo

5,28

4,64

4,17

5,82

Máximo

7,82

6,83

6,53

7,82

Media

6,34

5,32

4,81

6,45

CV (%)

0,07

0,08

0,09

0,06

D. Estándar

0,42

0,41

0,45

0,41

El coeficiente de variación (C.V.) nos muestra el alejamiento de cada valor con respecto a la media y se presenta en porcentaje, siendo el método de laboratorio (KCl) igual al 9% de variación de los datos con respecto a la media el más alejado. La desviación estándar de las mediciones de laboratorio y con el sensor fue similar, demostrando prácticamente la misma amplitud independientemente del método utilizado. En este estudio, sólo se investigó un campo, pero otros trabajos (Adamchuk

et al., 2007; Schirrmann et al., 2011) han demostrado que la desviación entre las mediciones de pH en campo y en el laboratorio es diferente para cada campo. A nivel de estadística descriptiva no se encuentran diferencias significativas, sin embargo de forma práctica se espera que el C.V. del 9% que fue el más alto, se haya dado por el uso de una solución salina KCl (1N) como extractante, ya que inicia un aumento de la desabsorción de los iones H+ de los sitios de unión a las partículas del suelo, dando como resultado bajo pH.

Además pueden influir en la medida de pH inconvenientes de tipo eléctrico y mecánico que pueda presentar el sensor, como son los factores de interferencia (por ejemplo, cambios en la intensidad de señal de los electrodos debido a la abrasión/deterioro, calidad del agua, temperatura). Schirrmann et al. (2011).

5.1.2 Diagrama de bloques

El diagrama de bloques para los valores medidos de pH, se presenta en la Figura 8. Los valores de pH medido por el sensor fueron mayores de los obtenidos por el método de pH en agua y pH en KCl. La media de pH en KCl fue más baja (4,81) que la obtenida en H2O (5,32). Ese resultado era esperado y se atribuye al efecto de la solución de KCl que posibilita la mejor detección de cationes H+ en solución, pues el KCl en solución acuosa permite la mejor liberación de las cargas, cationes y aniones adsorbidos de la arcilla en la solución, con consecuente aumento de la acidez.

Figura 8. Diagrama de cajas (box plot) de los valores de pH del suelo medidos a partir de muestras de suelo de la fazenda areão (pHs (sensor); pHm1 (agua), y pHm2 (KCl)).

5.1.3 Diagrama de Dispersión

Una primera aproximación de la relación entre las variables se observa por medio del un diagrama de dispersión (Figura 9), el cual en este caso indica que hay una tendencia a una relación lineal y positiva entre las variables de laboratorio pH en Agua (pHm1) y pH en KCl (pHm2) con los valores de pH medidos por el sensor Veris MSP (pHs) y no existe relación de ninguna variable con la fracción de arcilla.

Figura 9. Diagrama de dispersión entre pH medido en campo con el sensor Veris MSP (pHs), pH medido en laboratorio (pHm1, pHm2) y Granulometria (% Arcilla) de la Fazenda Areão. Siendo: pHm1 = pH de lab. medido con agua (1:2,5); pHm2 = pH de lab. medido com KCl (1N); pHs = pH medido con el sensor en tiempo real (MSP).

5.1.4 Correlación: Pearson

Los coeficientes de correlación entre las variables (Tabla 3): lecturas realizadas

por el sensor (pHs) y lecturas realizadas por métodos de laboratorio son significativas

obteniendo valores de 0,86 para pH en agua (pHm1) y de 0,88 para pH en KCl (pHm2).

Cuando el valor es cercano a 1 ó a -1 quiere decir que existe una buena la relación entre las dos variables. Comprobado el p-valor de 7,3E-09 para pHm1 y de 2,1E-09 para pHm2, los valores son menores que el nivel de significancia (α) adoptado del 5% (Tabla 4). Caso contrario, no hubiera asociación entre variables, como se verificó al evaluar la asociación entre las variables pHs, pHm1 y pHm2 con el % de arcilla obteniendo valores de -0,00055, -0,03642 y -0,01388 respectivamente, ningún valor cercano a 1 ó a -1 y pvalores mayores al nivel de significancia del 5%.

Tabla 3. Matriz de correlación: Pearson Variable pHs pHm1 pHm2 Arcilla(%) pHs

1

0.86255

0.87653

-0.00055

pHm1

1

0.98284

-0.03642

pHm2

1

-0.01388

Arcilla(%)

1

Tabla 4. Matriz de p-valores

Variable pHs pHm1 pHm2 Arcilla(%) pHs

1

7.3E-09 2.1E-09

0.99780

pHm1

1

2.2E-16

0.85690

pHm2

1

0.95

Arcilla(%)

1

5.1.5 Regresión linear

Los datos se describieron con precisión mediante el método de regresión lineal comparando los resultados del sensor con las mediciones de laboratorio (referencia), siendo el pH de laboratorio la variable independiente (Figura 10). La relación lineal resultante entre los datos del sensor y los dados de laboratorio tomó la forma pHs =1,89 + 0,86*pHm1 para método de laboratorio en H2O y pHs =2,59 + 0,80*pHm2 para método de laboratorio en KCl.

El intercepto fue de 1,89 unidades para pHm1 en agua y 2,59 unidades para pHm2 en KCl. La pendiente representa el incremento de pH medido con el sensor (0,86) para H2O y (0,80) para KCl, cuando la lectura de pH en laboratorio aumenta en una unidad de pH. Posteriormente se calcularon los coeficientes de regresión linear entre los datos

de campo y referencia (laboratorio) fueron de (R2) 0.74 para pHm1 en agua y (R2) 0.76

para pHm2 en KCl. (Figura 10). Los resultados anteriores son consistentes con los hallazgos en el experimento de campo que se llevó a cabo en Piracicaba-SP, Brasil, en un suelo Cambisol con variabilidad del pH ya que se añadieron dosis crecientes de cal en las parcelas experimentales un año antes de la adquisición de datos. Los coeficientes de regresión lineal entre el sensor y los análisis de laboratorio en H2O y CaCl2 fueron altos, 0,81 y 0,83, respectivamente (Eitelwein et al, 2016). Lo anterior Indica que la metodología presenta potencial para mapeamento de pH del suelo en tiempo real en suelos de Piracicaba. Resultados que se asemejan bastante con la investigación realizada por Sethuramasamyraja et al. (2008), siendo los coeficientes de regresión linear (R²) entre los datos del sensor y laboratorio de 0,85 y 0,89 respectivamente para pH del suelo.

Existe alta correlación linear entre las lecturas del sensor y de laboratorio, sin embargo, según lo visualizado por Schirrmann et al. (2011), para aprovechar al máximo las mediciones en marcha, es importante establecer modelos de calibración que conviertan las lecturas del sensor en pH de laboratorio (CaCl2 o H2O) o saturación de bases, que es la entrada principal para calcular los requerimientos de enmiendas.

Figura 10. Regresión linear de los datos de pH medidos por el sensor (pHs) y por el método en agua (pHm1); y por el sensor y por el método en KCl (pHm2).

El modelo de regresión fue evaluado; se examinaron los residuos del modelo; fue testada la normalidad y homogeneidad de estos. Según el test de Shapiro-Wilk los residuos tienen un comportamiento normal p-valor>0,05 (p-valor = 0,5178) (Figura 11). Figura 11. Resíduos studentizados x valores preditos para pHm1 y pHm2.

En la Figura 12 se observa que no existen valores atípicos (outliers), pero existe un punto influente el mismo para ambos casos.

Análisis de residuos Análisis de residuos

Figura 12. Análisis de los gráficos de homogeneidad y normalidad de los residuos para pHm1 y pHm2.

El valor influente encontrado dentro del experimento fue verificado en el laboratorio debido a la diferencia de lectura que presentó con los otros datos, pero no fue desconsiderado, se constata que no fue un error de laboratorio pero pudo haber sido un error en la colecta de la muestra en el campo.

5.1.6 Mapas de distribución espacial del pH del suelo

Se presenta en la Figura 13 (A, B, C) los mapas de distribución espacial del pH del suelo determinado por métodos de laboratorio y (D) por el sensor en tiempo real. Visualmente los mapas generados con las 27 muestras en laboratorio y en campo demostraron buena similitud. El mapa generado por las 208 muestras colectadas por el sensor en tiempo real se presentó diferente a los demás Figura 8 (D) y esto demuestra que la ganancia de información en las densidades muéstrales puede afectar las interpretaciones y finalmente a las posibles recomendaciones. Dicho de otro modo, la calidad de los mapas de pH está predominantemente influenciada por la densidad de muestreo, disminuyendo significativamente los errores de estimación y resultando en una mayor rentabilidad potencial del tratamiento de suelo en tasa variable (Pierce y Nowak, 1999).

Datos atípicos y valores influentes Datos atípicos y valores influentes

D)

Figura 13. Mapas de la distribución espacial de pH de suelo medido en laboratorio utilizando agua (A) y solución de KCl (B), y en el campo con el equipamiento MSP utilizando 27 (C) y 208 puntos (D).

5.2 Influencia de la humedad del suelo en las lecturas

Según Thomas & Hargrove (1984), la determinación de la acidez por procedimientos acuosos es de extrema relevancia, ya que los experimentos muestran que hay diferencias causadas por la relación suelo/agua, desde 1: 1 hasta 1:10, pues la determinación en diferentes proporciones puede tener un diferencial significativo. Esta variación de pH en diferentes proporciones de suelo/agua se disminuye en la medida en que la proporción disminuye, atribuyéndose ese fenómeno a la hidrólisis creciente de los cationes intercambiables, debido a la dilución de los electrolitos del suelo y al número reducido de contactos entre el electrodo y las partículas del suelo.

Según Schirrmann et al, 2011, la variación espacial de pH por el contenido de agua en el suelo puede ocurrir en al menos dos maneras: primero, el aumento del contenido de agua puede disminuir la concentración de H+ debido a un efecto de dilución; Y segundo, el aumento del contenido de agua puede elevar las lecturas de pH, como se explica por la teoría de Debye-Hückel. Estos son efectos contrarios y el segundo requiere alguna explicación. Concentraciones altas de iones pueden conducir a una desviación de la relación lineal teórica entre la concentración de iones en la solución y el potencial eléctrico. Esto se debe al hecho de que la actividad iónica, que es la "concentración efectiva" en términos de la ley de acción de masas, se reduce cuando aumenta la concentración de iones. Con el aumento de la concentración, los iones comienzan a influir entre sí y, en consecuencia, reducir su movilidad y las tasas de reacción. La relación de actividad y concentración se describe por la teoría de Debye-Hückel.

En suelos bien drenados típicos, la concentración total de iones en el agua varía entre 0,001 y 0,01 mol L-1. De acuerdo con la teoría de Debye-Hückel, esta gama de concentraciones puede tener algún efecto sobre la actividad iónica. En el diagrama de cajas y bigotes (Figura 14) se observa una variación de pH de suelo para las humedades entre suelo seco y 30% y la estabilización de pH a partir de este último valor. Los valores de pH fueron proporcionalmente crecientes con el aumento de la cantidad de agua, variando hasta 0,323 unidades de pH entre las tres primeras humedades. Adamchuk et al. 1999, también observaron un ligero aumento en las lecturas de pH cuando se añadió agua al suelo, pero las mediciones repetidas con el mismo contenido de humedad mostraron una alta variabilidad. Por lo tanto, concluyeron que no hubo un efecto significativo dentro de la gama de contenidos de humedad típicos de los suelos en el campo.

Figura 14. Diagrama de caja de los valores medidos de pH del suelo en función de la humedad de estos (0%,10%,20%,30%,40%,50%,100%)

Especial atención debe ser dada en la interpretación de las lecturas del equipo, pues la relación de la cantidad de agua e interferencia en el proceso de medición de pH puede acarrear en la comprensión errónea de las características químicas de los suelos, y, consecuentemente, en la subutilización del potencial de las áreas (Souza,

2013).

5.3 Influencia de la fracción arcilla en el pH

En los resultados de la Tabla 5, el porcentaje de arcillas es superior al 40% en todas las muestras.

Tabla 5. Análisis textural granulométrico de las muestras de suelo. Muestra (%) Arcilla (%) Limo (%) Arena Textural Humedad

100%

Según lo anterior confirmamos que es un suelo de textura arcillosa. Se observa que en la parte superior del área (Figura 10), el suelo es altamente arcilloso, reduciendo gradualmente en dirección sur y coincidentemente la parte más baja y con mayor declividad del área. Lo que demuestra que la cantidad en la fracción de arcillas se ve afectada por la declividad del terreno, siendo ésta una característica típica de un suelo oxisol.

1

48,83

12,41

38,76

Arcilloso

10

53,43

11,02

35,54

Arcilloso

15

57,07

8,68

34,25

Arcilloso

19

51,74

12,13

36,13

Arcilloso

25

53,56

7,29

39,15

Arcilloso

33

50,84

12,39

36,77

Arcilloso

33

47,78

11,37

40,85

Arcilloso

36

56,56

8,60

34,84

Arcilloso

45

48,75

13,41

37,84

Arcilloso

59

52,87

11,47

35,66

Arcilloso

64

50,82

14,25

34,93

Arcilloso

65

56,97

12,38

30,65

Arcilloso

66

56,28

11,42

32,30

Arcilloso

81

57,56

11,00

31,44

Arcilloso

87

58,23

20,75

21,03

Arcilloso

104

57,11

11,03

31,86

Arcilloso

105

60,99

14,20

24,80

Arcilloso

106

59,51

16,66

23,84

Arcilloso

111

61,50

19,08

19,43

Arcilloso

126

62,21

11,40

26,39

Arcilloso

133

59,59

17,51

22,90

Arcilloso

147

62,78

16,60

20,62

Arcilloso

154

61,91

16,99

21,10

Arcilloso

175

62,56

17,57

19,88

Arcilloso

185

67,77

18,04

14,19

Arcilloso

195

59,71

19,36

20,93

Arcilloso

205

63,79

17,87

18,33

Arcilloso

Figura 15. Mapa de la distribución espacial de la Arcilla (%) del suelo.

Los Oxisoles son los suelos más representativos del grupo denominado “suelos con arcillas de baja actividad” cuyas características incluyen: (1) Baja capacidad de intercambio catiónico (CIC) de la fracción arcillosa, (2) Carga dependiente del pH, (3) Estado avanzado de metereolización y (4) Arcillas que se dispersan difícilmente en agua. Los minerales con carga variable o dependiente de pH que predominan en este tipo de suelos son los óxidos de hierro y de aluminio y la caolinita. La fertilidad constituye un factor limitante asociado al riesgo de erosión con acentuación al declive del terreno. Se caracteriza como un suelo que responde bien sólo si se hace aplicación de fertilizantes y correctivos. En vista de sus cualidades, estos suelos son aptos para usos agropastoriles y forestales.

No se evidencia una concreta relación entre variables del pH con la fracción de arcilla, sin embargo no se bebe desconocer la constitución mineralógica de un Typic Hapludox que al tener predominancia de arcillas no expandibles del tipo 1:1 como la caolinita, y sesquióxidos como óxidos de Fe y Al.

Una baja CIC se puede deber a una superficie específica pequeña, a una baja densidad de cargas o a una combinación de ambos factores. Las arcillas caoliníticas son arcillas no expandibles del tipo 1:1, debido a un fuerte enlace de hidrógeno entre las capas de oxígeno, su superficie activa está restringida a las caras externas de la estructura cristalina resultando en una baja superficie específica. Por otra parte, en estas arcillas al igual que en los sesquióxidos, la carga superficial atribuible a la sustitución isomórfica es muy baja o nula por tener un escaso número de cargas permanentes. Los sesquióxido pueden absorber iones H+ y OH- en sus superficies, los cuales crean cargas positivas y negativas, respectivamente; esta carga se denomina carga variable o carga dependiente de pH. Al elevarse el pH se eleva la CIC y viceversa. (CIAT, 1983)

6. CONCLUSIONES Y RECOMENDACIONES

El equipo resultó ser eficiente para captar la variabilidad espacial del pH del suelo en tiempo real en suelos altamente intemperizados de los trópicos húmedos. Se verificó una buena correlación con los datos de pH medidos por el sensor en función de los métodos de laboratorio, agua y KCl para las 27 muestras colectadas. Los datos se describieron con precisión mediante el método de regresión lineal obteniendo un R2=

0.74 para pH en agua y un R2 = 0.76 para pH en KCl. Estos resultados revelaron el

potencial de utilizar un MSP para estimar el pH del suelo en suelos brasileños y la necesidad de investigar este tipo de equipo en otras condiciones. A pesar de los buenos coeficientes de correlación, es necesario tener en cuenta la diferencia entre los resultados del sensor y los resultados de laboratorio antes de considerar emplear algún producto que contribuya a modificar el pH.

El sensor en marcha investigado en este estudio podría ser una alternativa eficaz a los protocolos estándar de muestreo como base para el encalado, en lugar de aplicar una tasa uniforme de cal en el terreno, la cal puede aplicarse en tasas variables apropiadas para adaptarse a la variabilidad espacial del pH del suelo, esto no sólo ayudaría a reducir costos sino que también dará lugar a condiciones de pH del suelo más homogéneas sobre el terreno que resultarían en una mejor productividad.

Se confirmó que existe una leve variación entre el pH del suelo en función de su humedad. Esta variación de pH en diferentes proporciones de suelo/agua se disminuye en la medida en que la proporción disminuye, atribuyéndose ese fenómeno a la hidrólisis creciente de los cationes intercambiables, debido a la dilución de los electrolitos del suelo y al número reducido de contactos entre el electrodo y las partículas del suelo. Se debe prestar atención al material coloidal presente en este estudio, ya que las arcillas caoliníticas caracterizadas por la escasez de sílice tienen

una menor capacidad de absorción de agua es decir se dispersan difícilmente en esta, presentan baja capacidad de amortiguación, o escasa resistencia al cambio de pH.

No se evidenció una concreta relación entre los valores de pH y la fracción de arcillas, sin embargo no se puede desconocer que en la constitución mineral de un suelo oxisol “suelo con arcillas de baja actividad”, la sustitución del H+ por otros cationes, ofrece dificultades crecientes con el tipo de material coloidal (caolinita). La caolinita es un mineral abundante en la mayoría de los suelos altamente intemperizados de los trópicos húmedos, tiene baja actividad iónica debida principalmente a cargas dependientes de pH, sus pocas sustituciones isomórficas generan poca carga estructural y baja capacidad de intercambio catiónico (CIC) de la fracción arcillosa, aumentando la acidez del suelo.

Los resultados presentados indicaron que la Agricultura de Precisión es una herramienta útil para el entendimiento de la variabilidad espacial y suministro de informaciones para intervención en las prácticas de manejo.

7. BIBLIOGRAFÍA

ADAMCHUK, V.I., HUMMEL, J.W., MORGAN, M.T., UPADHYAYA, S.K.

On-the-go soil sensors for precision agriculture. Computers and Electronics in Agriculture, v. 44, p. 71–91, 2004.

ADAMCHUK, V. I.; LUND, E. D.; SETHURAMASAMYRAJA, B; MORGAN,

M. T.; DOBERMANN, A.; MARX, D. B. Direct measurement of soil chemical properties on-the-go using ion-selective electrodes. Computers and Electronics in Agriculture, v.48, p. 272–294, 2005.

ADAMCHUK, V. I.; MORGAN, M. T.; ESS, D. R. An automated sampling system for measuring soil pH. Transactions of the ASABE, v. 42 , n. 4, p. 885–

892, 1999.

BARRETTO, A.G.O. P., SPAROVEK, G. & GIANNOTTI, M. (EDS.). Atlas Rural de Piracicaba, Instituto de Pesquisas e Estudos Florestais, Piracicaba-SP

2006

BESOAIN, E. Mineralogía de arcillas de suelos. Instituto Interamericano de Cooperación para la Agricultura (IICA). San José, Costa Rica. 1205 p. 1985. BOLLAND, M. D. A.; POSNER. A. M.; QUIRK, J. P. Surface Charge on Kaolinites in Aqueous Suspension. Australian Journal Soil Res., v: 14, p. 197-

216,1976.

BRADY, N. C. Natureza e Propriedades dos Solos. Colóides do Solo: Sua natureza e Significação Prática. Trad. Antônio B. Neiva Figueiredo Fo. 7ª Edição.Ed. Freitas Bastos. Rio de Janeiro, p. 200-205, 1989.

BRAIDA

JA,

REICHERT

JM,

SOARES

JMD,

REINERT

DJ Resistênciainter e intra-agregados em ensaios de cisalhamento direto de um NitossoloVermelho distróFco. R Bras Ci Solo. 2007b;31:379-86.

BRANDAO, Z. N.; BEZERRA, M. V. C.; FREIRE, E. C.; SILVA, B. B.

Agricultura de precisão para gerenciamento do algodão. In: AZEVEDO, D. M. P.; BELTRAO, N. E. M. O agronegócio do algodão no Brasil. Brasilia: Embrapa Informacao Tecnologica, cap. 20. v. 2, p. 1309, 2008. BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Portaria nº 852 - Art. 1º Criar a Comissão Brasileira de Agricultura de Precisão – CBAP. Diário Oficial da República Federativa do Brasil, Brasília, DF, 21 set. 2012. Seção

1,

n.184.

Disponible en:

<http://www.cnpt.embrapa.br/biblio/do/p_do42.htm>

CAMARGO, O. A.; et al. Métodos de Análise Química, Mineralógica e Física de Solos do Instituto Agronômico de Campinas. Campinas, Instituto Agronômico, 2009. 77p. (Boletim técnico, 106) CATANI, R. A.; GALLO, J. R. Avaliação da Exigência em Calcário dos Solos do Estado de São Paulo, Mediante Correlação entre o pH e a Porcentagem da Saturação de Bases, Revista de Agricultura, Piracicaba, SP. v: 30, p.49-60, 1955.

CHAO, T. T.; HARWARD, M. E. Nature of Acid Clays and Relationships to Ion Activities and Ion Ratios in Equilibrium Solutions. Soil Science. Wisconsin, USA. v: 93, p. 246-253, 1962.

CIAT. Oxisoles y Ultisoles en América Tropical; Parte I: Distribución, importancia y propiedades físicas; Parte II: Mineralogía y características químicas. Palmira, Colombia, Centro Internacional de Agricultura Tropical. 1983 CONKLING, B.L.; BLANCHAR, R.W. A comparison of pH measurements using the antimony microelectrode and glass electrode. Agron. J., 275-278,

1988.

DIXON, J. B.; WEED, S. B. Minerals in Soil Environments: Kaolin and Serpentine Group Minerals. Published by: Soil Science Society of America. Madison, Wisconsin, USA. 1989.

DOBERMANN, A.; GEORGE, T. Field-scale soil fertility variability in acid tropical soils. In: WORLD CONGRESS OF SOIL SCIENCE, 15., 1994, Acapulco. Transactions... v. 5, p. 610-627, 1994.

GEBBERS, R.; ADAMCHUK, V. I. Precision agriculture and food security. Science, v. 327, p. 828–831, 2010.

GHIDIN, A. A.; MELO, V. F.; LIMA, V. C.; LIMA, J. M. J. C.

Toposseqüência de Latossolos Originados de Rochas Basálticas no Paraná. I – Mineralogia da fração Argila. Revista Brasileira de Ciências do Solo. Campinas, SP. v: 30, p. 293-306, 2006.

GISBERT, J. M.; “Taxonomía de suelos. Soil Taxonomy- 99” Editorial Universidad Politécnica de Valencia. 2002.

HONOLD, F.; HONOLD, B. Ionenselektive Elektroden. Grundlagen und Anwendungen in Biologie und Medizin; Birkhäuser: Basel, Switzerland, 1991; p.

91.

HUE, N. V; GRADDOCK, G. R.; ADAMS, F. Effect of Organic Acids on Aluminum Toxicity in Subsoils. Soil Science Society of America Journal. Wisconsin, USA, v: 50, p.28-34, 1986.

INAMASU, R. Y.; BERNARDI, A. C. C. Agricultura de precisão. In:

BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.;

INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 21-33.

JOO,S ; BROWN, R.B. Chemical sensors with integrated electronics. Chemical Reviews, Washington, v.108, n.2, p.638-651, 2008. LARK, R. M. and ; STAFFORD, J. V. Classification as a first step in the interpretation of temporal and spatial variability of crop yield. Annals of Applied Biology, v.

130,

n.

1,

p.

111-121,

1997.

Disponible en:

http://dx.doi.org/10.1111/j.1744-7348.1997.tb05787.x Acceso: 20 jun. 2016

LUCHIARI, A.; SHANAHAN, J.; FRANCIS, D.; SCHLEMMER, M.;

SCHEPERS, J.; LIEBIG, M.; SCHEPERS, A.; PAYTON, S. Strategies for establishing management zones for site specific nutrient management. In:

INTERNATIONAL CONFERENCE ON SITE-SPECIFIC MANAGEMENT, 5.,

2000,. Disponible en: CD-ROM.

LUCHUARI, A.; BORGHI, E.; AVANZI, J.; AYRES DE FREITAS, A.;

BORTOLON, L.; BORTOLON, E.S.O.; EICHEMBERGER, M., INAMASU,R.;

Zonas de Manejo: teoria e prática. In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; INAMASU, R.Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, pp. 48-57. 2014

LUND, E.D., ADAMCHUK, V.I., COLLINGS, K.L., DRUMMOND, P.E.,

CHRISTY, C.D. Development of soil pH and lime requirement maps using onthe-go soil sensors. In: Stafford, J. (Ed.), Precision Agriculture ’05. Wageningen Academic Publishers, Wageningen, The Netherlands, pp. 457–464. 2005 MAKEPEACE, R. J. Benefits and limitations of precision farming, In: BRIGHTON CONFERENCE ON PESTS AND DISEASES, 1996, Brighton. Proceedings... v. 3. p. 1235-1242, 1996.

MCBRATNEY, A. B.; WHELAN, B. M.; ANCEV, T.; BOUMA, J. Future directions of precision agriculture. Precision Agriculture, v. 6, n. 1, p. 1-17, 2005. Disponible en: http://dx.doi.org/10.1007/s11119-005-0681-8 Acceso: 25 jun.

2016.

MELO, V. F.; SINGH, B.; SCHAEFER, C. E. G. R.; NOVAIS, R. F.;

FONTES, M. P. F. Chemical and Mineralogical Properties fo Kaolinite – rich Brazilian soils. Soil Science Society America Journal Madison, USA.v: 65, p. 19-

32, 2001.

MERKEL, A. DATOS CLIMÁTICOS MUNDIALES. Climate-Data.org. Disponible en: https://es.climate-data.org/location/748/ MOLIN, J. P. Tendências da agricultura de precisão no Brasil. In:

CONGRESSO BRASILEIRO DE AGRICULTURA DE PRECISÃO, 2004,

Piracicaba. Anais... Piracicaba: ESALQ/USP, p. 1-10, 2004. MOLIN, J. P. Use of active optical sensors for crops in Brazil. Better Crops With Plant Food, v. 94, n. 3, p. 18-20, 2010.

NIELSON, D. R.; BIGGAR, J. W.; ERH, K. T. Spatial variability of fieldmeasured soil-water properties. Hilgardia, v. 42, n. 7, p. 215-259, 1973.

OLIVER, M. A. (Org.). Geostatistical Applications for Precision Agriculture. Springer, 300 p, 2010 Disponible en: http://dx.doi.org/10.1007/978-90-481-9133- 8 Acceso: 10 jun. 2016.

PIERCE, F.J., NOWAK, P. Aspects of precision agriculture. Adv. Agron. 67, 1–85. 1999 PIRES, J. L. F.; CUNHA, G. R. da; PASINATO, A.; FRANÇA, S.; RAMBO,

L. Discutindo agricultura de precisão – aspectos gerais. Passo Fundo: Embrapa

Trigo, 2004. 18 p. html. (Embrapa Trigo. Documentos Online; 42). Disponível em: http://www.cnpt.embrapa.br/biblio/do/p_do42.htm PLANT, R. E. Site-specific management: the application of information technology to crop production. Computers and Electronics in Agriculture, v. 30, p.

9-29, 2001.

QUAGGIO; J. A.; RAIJ; B. V. Determinação do pH em Cloreto de Cálcio e da Acidez Total. In: Análise Química para Avaliação da Fertilidade de Solos Tropicais. Editado pelo Instituto Agronômico de Campinas. Campinas, SP. Cap.10. p. 181-188, 2001.

RABELLO, L. M., BERNARDI, A. C. de C., INAMASU, R. Y. Condutividade elétrica aparente do solo. Ed.). In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; INAMASU, R.Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, pp.

48-57. 2014

RAIJ, B. van; SILVA, N.M.; BATAGLIA, O.C.; QUAGGIO, J.A.; HIROCE, R.; CANTARELLA, H.; BELLINAZZI Jr., R.; DECHEN, A.R. ; TRANI. P.E. Recomendações de adubação e calagem para o estado de São Paulo. Campinas, p 107, 1985.

RAIJ, B. V. Simpósio Avançado de Química e Fertilidade do Solo: Propriedades Eletroquímicas de Solos. Fundação Cargill. Campinas, SP. p. 9-

39, 1986.

RAIJ, B. V. Fertilidade do Solo e Adubação: Acidez e Calagem. Associação Brasileira para Pesquisa da Potassa e do Fosfato. Editora Agronômica Ceres Ltda. Piracicaba, SP. p. 343, 1991. RAIJ, B. V.; QUAGGIO, J. A. et al. Análise Química para Avaliação da Fertilidade de Solos Tropicais: Determinação de Alumínio, Cálcio e Magnésio trocáveis em extrato de cloreto de potássio. Instituto Agronômico de Campinas. SP. p. 213, 2001.

RESENDE, A. V., HURTADO, S. M., VILELA, M. F., CORAZA, E. J.,

SHIRATSUCHI, L. S. Aplicações da agricultura de precisão em sistemas de produção de grãos no Brasil Ed.). In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, pp. 194-208.

2014

SCHEPERS, J. S.; SCHLEMMER, M. R.; FERGUSON, R. B. Site-specific considerations for managing phosphorus. Journal of Environmental Quality, v. 29, n. 1, p. 125-130, 2000.

SCHIRRMANN, M; DOMSCH, H. Sampling procedure simulating on-thego sensing for soil nutrients. Journal of Plant Nutrition and Soil Science, v. 174, n 2, p. 333-343, 2011.

SCHIRRMANN, M.; GEBBERS, R.; KRAMER, E.; SEIDEL, J. Soil pH Mapping with an On-the-Go Sensor. Sensors, v.11, n.1, p. 573-598, 2011. SCHWERTMANN, U; TAYLOR, R. M. Minerals in Soil Environments: Iron Oxides. Published by: Soil Science Society of America. Madison, Wisconsin,

USA. 1989.

SETHURAMASAMYRAJA, B; ADAMCHUK, V. I.; DOBERMANN, A.;

MARX, D. B; JONES, D. D; MEYER, G. E. Agitated soil measurement method for integrated on-the-go mapping of soil pH, potassium and nitrate contents. Computers and electronics in agriculture, v.60, p. 212-225, 2008. Soil Survey Staff. Keys to Soil Taxonomy, 10th ed. USDA-Natural Resources Conservation Service, Washington, DC. 2006

SONKA, S.T.; BAUER, M.E; CHERRY, E.T; COLBURN, J.W; HEIMLICH,

R.E; JOSEPH, D.A; LEBOEUF, J.B; LICHTENBERG, E; MORTENSEN, D.A;

SEARCY, S.W; USTIN, S.L; VENTURA, S.J. Precision agriculture in the 21st century. Geospatial and information technologies in crop management. Committee on Assessing Crop Yield: Site-Specific Farming, Information Systems, and Research Opportunities, Board of Agriculture, National Research Council. National Academy Press, Washington, DC. 1997. SOUZA, F. Mensuração direta do pH do solo em campo por meio de eletrodos íon-seletivos. 2013. 102p. Dissertação (Mestrado em Ciências. Área de concentração: Engenharia de Sistemas Agrícolas) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba, 2013. SPOSITO, G. The Chemistry of Soils. University of California at Berkeley. Oxford University Press. New York, 1989.

TAYLOR, J. A.; MCBRATNEY, A. B.; WHELAN, B. M. Establishing management classes for broadacre grain production. Agronomy Journal, v. 99, n. 5, p. 1366-1376, 2007. Disponible en: http://dx.doi.org/10.2134/agronj2007.0070 Acceso: 25 jun. 2016 THYLÉN, L.; JURSCHIK, P.; MURPHY, D. L. P. Improving the quality of yield data. In: EUROPEAN CONFERENCE ON PRECISION AGRICULTURE, 1., 1997, Warwick. Proceedings... Oxford: BIOS Scientific, p. 743-750, 1997. TISDALE, S. L; NELSON. W. L; BEATON, J. D. Soil Fertility and Fertilizers. Basic Soil – Plant Relationships. Fourth Edition. Macmillan Publishing Company.New York, USA. 1985.

THOMAS , G. W. Y HARGROVE, W. L.. 1984. The chemistry of soil acidity. En: F. Adam (ed.). Soil acidity and liming. Agronomy Monograph No. 9. American Society of Agronomy. Crop Science Society of America and Soil Science Society of America.

TOMÉ JR., J. B. Manual para interpretação de análise de solo. Guaíba: Agropecuária, 1997.

UNIVERSIDADE DE SÃO PAULO CAMPUS “LUIZ DE QUEIROZ”.

Relatório de apresentação dos diagnóstico para a elaboração do plano diretor socioambiental participativo do campus “luiz de queiroz”. Piracicaba. 2006. 232 p.

Disponible en:

<http://www.esalq.usp.br/instituicao/docs/plano_socio_ambiental_etapa1.pdf>.Ac eso en: 10 jun. 2015.

USDA . Soils use of reaction (pH) in soil taxonomy [En linea]. (Soil Survey Technical Note ;

8).

Citado

26

junio

2017.

Disponible en: http://www.nrcs.usda.gov/wps/portal/nrcs/detail/soils/scientists/?cid=nrcs142p 2_053575. 2005 VAN SCHILFGAARDE, J. Is precision agriculture sustainable? American Journal of Alternative Agriculture, v. 14, p. 43-46, 1999. VAN UFFELEN, C. G. R.; VERHAGEN, J.; BOUMA, J. Comparison of simulated crop yield patterns for site-specific management. Agricultural Systems,

v. 54, p. 207-222, 1997.

VARVEL, G. E.; SCHLEMMER, M. R.; SCHEPERS, J. S. Relationship between spectral data from an aerial image and soil organic matter and phosphorus levels. Precision Agriculture, v. 1, n. 3, p. 291-300, 1999. Disponible en: http://dx.doi.org/10.1023/A:1009973008521 Acceso: 12 jun. 2016. VIEIRA, S. R. Uso de geoestatística em estudos de variabilidade espacial de propriedades do solo. In: NOVAIS, R. F.; ALVAREZ V, V. H.; SCHAEFER, C. E. G. R. (Org.). Tópicos em Ciência do Solo. Viçosa: Sociedade Brasileira de Ciência do Solo, v. 1, p. 1-54, 2000.

WORLD RESOURCES INSTITUTE. 1998-99 World Resources: a guide to the Global Environment. New York: Oxford University Press, 1998. ZHANG, F. S.; YAMASAKI, S.; KIMURA, K. BDD. The Science of the Total Environment, v. 284, n. 1-3, p. 215-225, 2002.