Efecto de la coordenada representativa de la agregación en datos de conductividad eléctrica aparente y su relación con medidas de dependencia espacial
##plugins.themes.bootstrap3.article.main##
La estimación de los recursos del suelo a una escala diferente en las que se hacen las observaciones es un problema de importancia que sigue generando investigaciones relacionadas. Un aumento en la escala significa un aumento en la variación del parámetro, y esto puede causar problemas al interactuar con la no linealidad en un proceso o modelo. Cambiar la resolución espacial agregando o desagregando datos conlleva el riesgo de resultados contradictorios. Para demostrar este hecho se tomaron datos de Conductividad Eléctrica Aparente con el sensor EM38-MK2 en posición vertical al suelo de forma simultánea con los dos dipolos a dos profundidades relativas (0.75m y 1.5m), asociados a una misma coordenada. Se evaluaron tamaños de agregación espacial desde una rejilla de 5m´5m hasta 70m´70m, con razón aritmética de 5m. Se usaron coordenadas representativas para generar la matriz de pesos espaciales basada en el: i) centro de la grilla, ii) valor medio de las coordenadas que interceptan espacialmente cada celda, y iii) valor del centroide de los puntos agregados por cada celda. Para analizar el patrón de autocorrelación espacial se usó el índice de Moran Montecarlo para los residuales del modelo ajustado. Los resultados mostraron que a medida que se aumenta el tamaño de la rejilla, la dependencia espacial univariada comienza a disminuir para todas las coordenadas representativas, siendo la coordenada del centro de la celda la más afectada. Para una profundidad específica del sensor, se recomienda el uso de la coordenada del centroide y en agregaciones que superen los 20m para mantener la estructura de dependencia espacial que pudiera ser natural en esta variable y conveniente en procesos de modelado mediante regresión espacial.
Descargas
##plugins.themes.bootstrap3.article.details##
Abdi, H. (2009). Centroids. Wiley Interdisciplinary Reviews: Computational Statistics, 1(2), 259-260. https://doi.org/10.1002/wics.31
Akaike, H. (1998). Information theory and an extension of the maximum likelihood principle. In Selected papers of hirotugu akaike (pp. 199-213). Springer, New York, NY. https://doi.org/10.1007/978-1-4612-1694-0_15
Arbia, G. (2014). A primer for spatial econometrics with applications in R. Palgrave Macmillan. https://doi.org/10.1057/9781137317940
Bivand, R., Altman, M., Anselin, L., Assunção, R., Berke, O., Bernat, A., & Blanchet, G. (2015). Package ‘spdep’. See ftp://garr.tucows.com/mirrors/CRAN/web/packages/spdep/spdep.pdf (accessed 9 December 2015).
Corwin, D. L., & Lesch, S. M. (2005). Apparent soil electrical conductivity measurements in agriculture. Computers and electronics in agriculture, 46(1-3), 11-43. https://doi.org/10.1016/j.compag.2004.10.005
Deakin, R. E., Bird, S. C., & Grenfell, R. I. (2002). The Centroid? Where would you like it to be be?. Cartography, 31(2), 153-167. https://doi.org/10.1080/00690805.2002.9714213
Ehret, U., Zehe, E., Wulfmeyer, V., Warrach-Sagi, K., & Liebert, J. (2012). HESS Opinions" Should we apply bias correction to global and regional climate model data?". Hydrology & Earth System Sciences Discussions, 9(4). https://doi.org/10.5194/hess-16-3391-2012
Elhorst, J. P. (2014). Spatial econometrics: from cross-sectional data to spatial panels (Vol. 479, p. 480). Heidelberg: Springer. DOI:10.1007/978-3-642-40340-8
ESRI. (2017). ArcGIS Desktop: Release 10.5.1; Environmental Systems Research Institute: Redlands, CA, USA.
Eteje, S. O., & Oluyori, P. D. (2020). Impact of different centroid means on the accuracy of orthometric height modelling by geometric geoid method. International Journal of Scientific Reports, 6(4), 124-130. https://doi.org/10.18203/issn.2454-2156.IntJSciRep20201267
Folberth, C., Skalský, R., Moltchanova, E., Balkovič, J., Azevedo, L. B., Obersteiner, M., & Van Der Velde, M. (2016). Uncertainty in soil data can outweigh climate impact signals in global crop yield simulations. Nature communications, 7(1), 1-13. https://doi.org/10.1038/ncomms11872
Fu, W., Zhao, K., Zhang, C., & Tunney, H. (2011). Using Moran's I and geostatistics to identify spatial patterns of soil nutrients in two different long‐term phosphorus‐application plots. Journal of Plant Nutrition and Soil Science, 174(5), 785-798. https://doi.org/10.1002/jpln.201000422
GEONICS EM38K2. 2012. Ground conductivity meter operating manual. Geonics Limited. Leaders in electromagnetics. Mississaagua (Ontario). 57p.
Grosz, B., Dechow, R., Gebbert, S., Hoffmann, H., Zhao, G., Constantin, J., ... & Eckersten, H. (2017). The implication of input data aggregation on up-scaling soil organic carbon changes. Environmental modelling & software, 96, 361-377. https://doi.org/10.1016/j.envsoft.2017.06.046
Guo, W., Maas, S. J., & Bronson, K. F. (2012). Relationship between cotton yield and soil electrical conductivity, topography, and Landsat imagery. Precision Agriculture, 13(6), 678-692. https://doi.org/10.1007/s11119-012-9277-2
Hamner, B., Frasco, M., & LeDell, E. (2018). Package ‘Metrics’.
Hoffmann, H., Zhao, G., Asseng, S., Bindi, M., Biernath, C., Constantin, J., ... & Gaiser, T. (2016). Impact of spatial soil and climate input data aggregation on regional yield simulations. PLoS One, 11(4), e0151782. https://doi.org/10.1371/journal.pone.0151782
Li, H., Calder, C. A., & Cressie, N. (2007). Beyond Moran's I: testing for spatial dependence based on the spatial autoregressive model. Geographical Analysis, 39(4), 357-375. https://doi.org/10.1111/j.1538-4632.2007.00708.x
Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2015). Geographic information science and systems. John Wiley & Sons. ISBN: 978-1-118-67695-0
Mitra, R., & Sharma, S. (2018). Proactive data routing using controlled mobility of a mobile sink in wireless sensor networks. Computers & Electrical Engineering, 70, 21-36. https://doi.org/10.1016/j.compeleceng.2018.06.001
Moran, P. A. (1948). The interpretation of statistical maps. Journal of the Royal Statistical Society. Series B (Methodological), 10(2), 243-251. DOI: 10.2307/2983777
Ord, K. (1975). Estimation methods for models of spatial interaction. Journal of the American Statistical Association, 70(349), 120-126. http://dx.doi.org/10.1080/01621459.1975.10480272
Rao, S., Meunier, F., Ehosioke, S., Lesparre, N., Kemna, A., Nguyen, F., ... & Javaux, M. (2019). Impact of Maize Roots on Soil–Root Electrical Conductivity: A Simulation Study. Vadose Zone Journal, 18(1), 190037. https://doi.org/10.2136/vzj2019.04.0037
Silva Filho, A., Silva, J. R., Silva, C. B., Souza, L. A., Calixto, W., & Brito, L. (2019, June). Analysis of plant root system influence on electrical properties of the soil. In 2019 IEEE International Conference on Environment and Electrical Engineering and 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe) (pp. 1-5). IEEE. https://doi.org /10.1109/EEEIC.2019.8783367
Spearman, C. (1910). Correlation calculated from faulty data. British journal of psychology, 3(3), 271. https://doi.org/10.1111/j.2044-8295.1910.tb00206.x
Sudduth, K. A., Drummond, S. T., & Kitchen, N. R. (2001). Accuracy issues in electromagnetic induction sensing of soil electrical conductivity for precision agriculture. Computers and electronics in agriculture, 31(3), 239-264. https://doi.org/10.1016/S0168-1699(00)00185-X
Terrón, J. M., Da Silva, J. M., Moral, F. J., & García-Ferrer, A. (2011). Soil apparent electrical conductivity and geographically weighted regression for mapping soil. Precision Agriculture, 12(5), 750-761. https://doi.org/10.1007/s11119-011-9218-5
Western, A. W., & Blöschl, G. (1999). On the spatial scaling of soil moisture. Journal of hydrology, 217(3-4), 203-224. https://doi.org/10.1016/S0022-1694(98)00232-7
Zhao, G., Hoffmann, H., van Bussel, L. G., Enders, A., Specka, X., Sosa, C., ... & Teixeira, E. (2015). Effect of weather data aggregation on regional crop simulation for different crops, production conditions, and response variables. Climate Research, 65, 141-157. https://doi.org/10.3354/cr01301