»0 Agricultura de precisión aplicada a la estimación del comportamiento hidráulico de los suelos con fines de riego y drenaje

Uno de los cambios más significativos desde finales del siglo XX en el campo de la producción agrícola internacional y nacional, ha sido la aplicación de la agricultura de precisión. El presente articulo recoge la experiencia investigaüva realizada en el distrito de riego el Juncal municipio de Palermo-Huila, donde se determinó el ambiente fisiográfico general de la zona a partir de fotografías aéreas e imágenes satelitales, estableciendo con base en el conocimiento preciso del medio natural actual, una grilla de muestreo Geo-referenciado de 143 puntos para la determinación y modelación de la probable variabilidad espacial de algunas propiedades físico-químicas de los suelos del distrito.

Con la aplicación del software Matemática 5.2 for student, se desarrollaron ecuaciones de gobierno a partir de los parámetros determinados en las muestras que fueron recolectadas en campo. La densidad aparente y textura fueron las variables de dominio base en la modelación utilizada para la estimación de otras propiedades de tos suelos como la porosidad, infiltración, capacidad de campo y punto de marchitez permanente, que en conjunto definen la dinámica del movimiento del agua en el suelo. Se aplicó el análisis estadístico de correlación, alcance y multivariado a las variables con los software MATLAB y GS+ Geostatistics for the Environmental Sciences, determinando los índices de variación en la selección del método de krigeado para el desarrollo de los modelos digitales de terreno en el software SURFER 8.0 logrando exponer la variabilidad espacial de cada variable en el área de producción agrícola, generando la base para la planificación de labores agrícolas como riego y drenaje.

* Af.Sc Agrónomo y Fotointerprete. Profesor Titular Facultad de Ingeniería. Universidad Surcolombiana.. ropacho@usco.edu.co - wvuv.grupoghSda.com

**B.Sc. Ing. Agrícola. Joven Investigador USCO2007. ExchangeStudent UniversityofOkbhoma 2006. EnvironmentalModelling Ph. D Course andSoii Science Master Course. Jorge.chavarro@usco.edu.co

The most significant change from final of the century XX in the field of the international and national agricultura! production, it has beenthe application of the precisión agriculture. This article expose the investigative experience obtained in the Juncal district irrigation at Palermo County in the Huila Department. The physiographic environ was determined from air images and satelital settling with base in the precise knowledge of the actual natural environ, the sampling net Geo-referenced of 143 points for the determination and modelling of the probable spatial variability of some physical-cherrücal soils properties of the district.

Using Mathematics 5.2 software for student, the government's equations were devebped starting from the parameters determined in the samples recollected in field, the density apparent and texture were the domain base variables on the modelling used for the estimate of other soils properties like the porosity, infiltration, field capacity and point of wither permanent, that whole define the dynamics of the water movementin the soil. The application of the statistical analysis of córrelation, reach and multi-varied to the variables with the software MATLAB and GS+ Geostatistics for the Environmental Sciences, determining the variation indexes in the selection of the interpolations method for the digital models developments of land in the software SURFER 8.0 to expose the spatial variability of each variable in the area of agricultural production, generating the base for the planning of agricultural works as irrigation and drainage.

El Distrito de Riego el Juncal, es una de las zonas agrícolas más importantes en producción de arroz en el departamento, se localiza en el municipio de Palermo a 10 Km. al sur de Neiva, una altura de 460 msnm, temperatura promedio de 27§C, correspondiente a la zona de vida de Bosque Seco tropical, con una precipitación entre 8001000 mm.

Los terrenos que lo integran han sido sometidos a través de bs años a una variabilidad inducida por prácticas culturales adversas íntimamente relacionadas con la producción de arroz , con una mecanización intensiva, controles fitosanitarios recargados con agroquímicos, contaminación de aguas residuales, donde se establecieron y adaptaron malezas agresivas, uso desbordado de volúmenes de agua para riego, situación que afecta no sólo la eficiencia económica de la producción sino que representa mayores pérdidas de suelo.

Así mismo, en la producción agrícola del distrito de riego, el manejo de bs suelos, el recurso hídricoy manejo fitotécnico, en general se han dado bajo criterios de uniformidad de las áreas, asumiéndolo como sistemas homogéneos, aprovechando la capacidad de la maquinaria agrícola disponible bajo la premisa del cubrimiento mayor de hectáreas por día y disminución del tiempo de faenado, sin tener en cuenta que existe un patrón de distribución de suebs heterogéneo producto de las diferentes posiciones geomorfológicos en donde se han desarrollado.

Se determinaron 143 puntos de muestreo para el área del Distrito de Riego por el método sistemático aleatorio exponencial “Riezebos”. Este muestreo se realizó en un periodo de iguales condiciones ambientales, teniendo en cuenta la humedad del suelo en la toma de la muestra para garantizar homogeneidad en

En la tabla 1 se muestran los parámetros estadísticos aplicados para el análisis de las muestras determinadas en laboratorio.

Tabla 1. Parámetros estadísticos generales de las variables determinadas en laboratorio

La selección de los modelos esféricos o exponenciales se realizo tomando como base el ajuste de la máxima distancia del Lag y el intervalo del Lagclass, el coeficiente determinación R2 y la suma reducida de cuadrados RSS, que permitieron evidenciar el mejor ajuste de los puntos para la selección del modelo de los semivariogramas.

Los modelos esféricos muestran alcances prácticos para la toma de muestras, mientras que el modelo exponencial presenta una normalización de la curva que representa el alcance, llevando al modelo a presentar un alcance imaginario equivalente a la tercera parte del alcance practico.

La relación (Co/Co+C) nugget/Sill inferior al 50% indica una moderada dependencia espaciad validando el método de interpolación implementado para la representación grafica de la distribución espacial de la variable.

El parámetro pH corresponde aun modelo exponencial con un 81% de ajuste de los datos al modelo y alcance de 201 metros (603 práctico) para la toma de muestras. (Ver figura 3 y 4).

	0.343
8	Q.257

•=
	0.171
E
X
	0.086
	0.000

Exponen ti al múde I (Co - 0.02B1; Co * C - 0 3 382; Ao • 201.00. r2 • 0.812; RSS *2 282E-03>

Afín- Valor mínimo de la serie Max- Valor máximo de ¡a serie Cs-Coeñciente de Asimetría

Figura 5. Mapa de variabilidad espacial % Arena Figura 6. Mapa de variabilidad espacial % de Arcilla

La relación de los parámetros iniciales determinados en laboratorio de las muestras tomadas en campo que permitieron la estimación de los demás paiámetros utilizando métodos de modelación, está determinada por el Coeficiente de Correlación. Para la determinación de este parámetro estadístico, se aplicó el software MATLAB, para el procesamiento de una matriz de datos de (9x143). (Ver tabla 2).

Los valores del coeficiente de correlación marcados con el color amarrillo están cercanos a cero, mostrando que existe una independencia total entre las variables. La variable pH muestra una independencia detodas las demás variables. Los valores marcados con el color canela tienen coeficiente negativo, indican que a medida que una variable aumenta, la otra disminuye. Los valores marcados con color turquesa tienen coeficientes de correlación positivos, indicando que a medida que una variable aumenta, la otra también aumenta. Los valores entre 0.5 y 0.75 muestran que hay una moderada correlación y valores entre 0.75 y 1 muestran que existe una fuerte correlación entre variables.

Al analizar los coeficientes de acuerdo a su valor absoluto, se evidencia la dependencia total de las variables estimadas con las variables tomadas como base para la modelación y la relación que existe entre estas primeras muestreadas en campo (Da y textura). Esta dependencia entre variables permitió desarrollar la modelación y obtener resultados confiables para la estimación de la distribución en campo de las variables que no pudieron ser determinadas en laboratorio (CC, PMP, n y Ks).

Los semivariogramas permitieron evidenciar una clara estructura espacial local de la distribución de las propiedades de los suelos, mostrando un gran alcance para la toma de muestras, un promedio teórico de 600 metros expuestos por los modelos esféricos y exponenciales, contrastado con la distancia promedio de 350 metros, en la cual se tomaron las muestras en campo; lo que permite concluir que existe una mayor confiabihdad en la representación grafica de la distribución espacial de las variables a través del Kriging, por ser una estimación cercana a la realidad.

dgj

La identificación adecuada del patrón de distribución de suelos desde la perspectiva espacial mediante un muestreo aleatorizado y la generación de mapas de variabilidad espacial, permitieron evidenciar unidades con alta capacidad de predicción de los atributos del suelo de cada predio del Distrito. De igual forma, permitieron evidenciar la tendencia de distribución local de cada variable, lo cual permitirá identificar, zonificar y predecir adecuadamente bs rangos de valores probables de bs atributos examinados y modelados, en cualquier sitio de interés dentro del área objeto de investigación enfocados a su adecuado manejo.

1. Asiava. 2005. Hacia una Agricultura en Armonía con la Naturaleza. En: Revista de la Asociación de Ingenieros Agrónomos del Valle. (62). Palmira - Valle.

2. Avidan, 1994. Factores que influyen sobre el régimen de riego debscultivos. Sociedad para la transferencia de tecnología. Estado de Israel. Ministerio de Agricultura.

5. Dafonte Dafonte, 2003. Variabilidad espacial de la K saturada de campo medida con permeametro de Guelph. U.S.C. jdafonte@lugo.usc.es.

Management: What Have We Learned and Where We Go From Here. Proc. World Soybean Research Conference VI. p. 229-234.

7. Gile L.1999.La difícil evaluación económica de la agricultura de precisión. Vida Rural. 15 de junio de 1999:30-33.

Peterson, T. 1996. Comparison of kriging and inverse distance methods for mapping soil parameters. Soil Sci. Soc. Am. J. 60: 1237-1247.

10. Kravchenko, A. 2003. Influence of spatial structure on accuracy of interpolation methods. Soil Sci. Soc. Am. J. 67: 15641571.

11. Machado, S., et al. 2002-2001. Spatial and temporal variability of sorghum and corn yield: interactions of biotic and abiotic factors. Proceedings of the 5th International Conference on Precisión Agriculture, Bloomington, Minnesota, USA, 16-19 July. American Society of Agronomy; Madison, USA.

12. Montenegro, 1990. Propiedades fisicas de los suelos. Unidad Agronómica IGAC.

13. Muñoz, 2006. Métodos de modelación estadística para estudiar la variación especial de fenómenos agronómicos y edáficos. Departamento de Agronomía, XIII Congreso Nacional de la Ciencia del Suelo. La sostenibilidad del suelo y de competitividad agrícola. Bogotá Oct. 4-6 de 2006.

14. Pérez U.G.2002. Los sistemas de información geográfica y su aplicación dentro de la planificación y manejo ambiental de las cuencas hidrográficas. En: “Memorias Planificación y manejo ambiental de las cuencas hidrográficas”. Ibagué 10-14 Feb. de 1997. Universidad del Tolima.

15. Rodríguez, J. y Zimback, C. 2002. Management zones delimitation through the analysis and classification of corn and yield productivity maps. Energía and Agricultura., 17: 44-61.

•o

<=n

16. Rubiano y Peña. 2006. Consideración de la variabilidad espacial de bs atributos del suelo con base para el manejo de sitios específicos en el cultivo de Piña Gold en bs Llanos Orientales. En: “Memorias XIII Congreso Cobmbiano de la Ciencia del Suelo. La sostenibilidad del suelo y de competitividad agrícola”. Bogotá Oct. 4-6 de 2006.

Parámetro Estadístico	Da	SÍA	%L	%Ar	PH
Media	153	64.57	2350	12.23	5.57
Sx	0.11	10.76	6.72	6.80	0.57
C.V.	6.94	16.67	28.96	55.56	10.26
Cs	-0.25	035	0.15	2.31	036
Min.	130	36.00	8.00	4.22	4.45
Max.	1.73	85.98	40.00	52.00	7.16

	Da	«Are	%Li	%Arc	pH	n	CC	PMP
«Are	0.6922
%Lim	-0.5136	-0.7934
%Are	-0.5881	-0.7987	0.2674
pH	0.0537	0.071	-0.1543	0.0401
n	-0.9988	-0.6979	0.5109	0.5996	-0.0572
CC	-0.9871	-0.705	0.4983	0.6234	-0.0636	0.9935
PMP	-0.9779	-0.7044	0.4899	0.6308	-0.0668	0.9864	0.9987
Ks	0.552	0.9452	-0.7142	-0.7903	0.0412	-05565	-0.5616	-0.561
	Independencia
	Dependencia
	Dependencia Inversa