Predicción de contenido de arcilla superficial utilizando conductividad eléctrica aparente y esquemas de muestreo basados en modelos

Abstract

La predicción espacial del contenido de arcillas (As) a escala de lote es requerida para la implementación de agricultura de precisión y modelos de simulación hidrológica. Sin embargo, la brecha de técnicas de cartografía que permitan establecer la heterogeneidad de As limita la capacidad para determinar su variabilidad. En este estudio, se utilizó cokriging ordinario, conductividad eléctrica aparente (CEa) como variable auxiliar y dos esquemas de muestreo basados en modelos (EBM) (Hipercubo latino condicionado (HCL) y fuzzy c-medias (FCM)) para predecir contenido de As superficial en un lote agrícola experimental de 25,18 ha. Los resultados soportan los supuestos que HCL y FCM capturan adecuadamente la distribución total de la CEa; y que As está cerradamente relacionado con CEa en condiciones del sudeste bonaerense. A partir de los resultados se determinó que (i) el tipo de EBM afecta la eficiencia de la interpolación para predecir As; (ii) una reducción considerable de muestras es posible cuando se aplica la metodología propuesta, logrando mapas precisos de As (R2>0,69); (iii), un conjunto de muestras de suelo independiente es lo más adecuado para validar la metodología propuesta; y (iv) la Interpolación espacial a partir de CEa y HCL proporcionó una leve mejora en la predicción espacial de As (R2= 0,78, RMSE=1,50%) que interpolación espacial a partir de CEa y FCM (R2= 0,69, RMSE=1,69%). La metodología propuesta proporcionó una mejora significativa de información de As en comparación con los costos y el tiempo que demandan las técnicas de cartografía convencional. Además, la metodología propuesta es sencilla de replicar para otros lotes o condiciones edáficas, lo cual puede ser significativo para la implementación de manejo sitio específico de cultivos y para modelos de simulación hidrológica.

Spatial prediction of clay content at field scale is needed to implement precision agriculture and hydrological models. However, the lack of techniques that can detect clay content heterogeneity limits the ability to determine its variability. In this study, we tested the use of geostatistical interpolation (ordinary cokriging), apparent electrical conductivity (CEa) as auxiliary information and two model-based soil sampling schemes (EBM) (conditioned Latin hypercube (HCL) and fuzzy K-means (FCM) to predict clay content in an 25.18 ha agricultural field. Results support the underlying assumptions that both HCL and FCM capture adequately the full distribution of CEa; and that clay content was closely related to the CEa. Also, suggested that (i) the type of EBM affects the clay prediction model efficiency; (ii) a considerable soil sample reduction is possible when the proposed methodology is applied; (iii) an independent data set is most adequate to validate the proposed methodology; and (iv) the geostatistical interpolation based on CEa and HCL provided a slight improvement in the clay content prediction (R2 = 0.75, RMSE = 1.50%) compared to the geostatistical interpolation based on CEa and FCM (R2 = 0.73, RMSE = 1.69%). The proposed methodology provided a significant improvement of information on clay content with respect to soil survey techniques and is easy to replicate in other farm fields. Therefore, it can be significant to implement these findings in site-specific managements or hydrological simulations.