La agricultura de precisión tiene como objetivo optimizar la gestión agrícola al considerar la variabilidad de cada sitio, buscando cubrir las necesidades de los cultivos en las cantidades requeridas, zonificar de acuerdo a la aptitud e, identificar variaciones espacio-temporales en los suelos.
Una de las tareas más comunes, en la agricultura de precisión, es realizar una caracterización edáfica detallada, mediante análisis físico – químico de muestras georeferenciadas distribuidas uniformemente, de ser posible repetidos con cierta frecuencia.
Representación espacial:
Estos análisis son posteriormente “espacializados” utilizando métodos de interpolación, obteniendo vistosos mapas.
Sin embargo, el verdadero reto es extraer información de los mapas interpolados, descubrir patrones ocultos, puede ser un reto.
Cuando se cuenta con más de dos mapas es imposible discernir visualmente interrogantes: ¿existen correlaciones entre los mapas? ¿Presentan similitudes? ¿Cuántas y donde se ubican las zonas con características homogéneas?
Zonas de manejo de suelos
La variabilidad obtenida debe ser reducida a niveles manejables, para ello se determinan áreas con características similares dentro de los lotes de producción, esto quiere decir, que la combinación de factores que influyen en la productividad puedan ser tratados con un manejo agrícola particular.
El proceso de zonificación puede realizarse por la combinación de análisis estadísticos y geoestadísticos.
Una alternativa es relegar el trabajo al computador, implementando algoritmos que dividirán el área de estudio en la cantidad de zonas especificadas por el usuario considerando las estadísticas de dichos mapas.
Estos algoritmos de agrupación (Cluster) tienen la ventaja que aceptan variables de diferentes unidades, luego realizan una búsqueda iterativa de las zonas más similares entre si considerando las estadísticas de todos los mapas.
Datos disponibles
Para este ejercicio utilizaremos un conjunto de puntos de un análisis de suelos (SoilSamp) de una zona de cultivo, los datos son tomados del tutorial del programa ArcView 3.2.
En total consisten en 74 puntos con análisis de los parámetros Potasio (K), Fosforo (P), Biomasa, pH, Materia orgánica y conductividad eléctrica.
Análisis Clúster en QGIS 3
La forma más sencilla de realizar este tipo de análisis en QGIS 3 es mediante complementos, en este caso utilizaremos el PlugIn de Clasificación semiautomática (SCP) desarrollado por Luca Congedo para el procesamiento de imágenes de satélite.
Procedimiento:
1.- Cargue en QGIS3 los mapas interpolados, luego active el PlugIn de Clasificación semiautomática.
2.- En el menú SCP seleccione Juego de Bandas. En la caja de dialogo seleccione el botón Recargar Lista, luego seleccione las capas Raster y agréguelas al juego de Bandas utilizando el botón con el icono en forma de Cruz.
En la parte inferior, en Configuración Rápida de Longitud de Onda, seleccione Band Order.
3.- Posteriormente, seleccione la pestaña Band Processing > Clustering. Se encuentran disponibles los métodos K-mean e Isodata.
4.- Altere los parámetros, tales como el número de Clusters e iteraciones. Seleccione dos Clusters de esta manera se generan dos zonas, separando valores altos y bajos de todos los mapas.
Escoja el método K-mean. Luego de clic en Run se le pedirá el nombre y ubicación del archivo de salida.
Pruebe con un mayor número de Cluster y el método Isodata.
Isodata es un método similar a K-mean pero realiza el paso adicional de separar los Clusters generados si la desviación estándar supera un valor umbral, por lo cual debe especificar dicho valor umbral.
Dependiendo de la variabilidad de los datos Isodata puede devolver un mayor número de Clusters de los solicitados.
Análisis Cluster en SAGA
Otra alternativa es utilizar el programa SAGA que viene instalado con QGis:
1.- Puede acceder a SAGA en Inicio > Todos los Programas > QGIS 3 > SAGA.
2.- Luego, en el menú File > Open, seleccione y abra los mapas. En la pestaña Data puede ver las capas cargadas.
3.- Las herramientas de Clustering se encuentran en menú Geoprocessing > Image > Classification > Unsupervised.
4.- Escoja Isodata, en la caja de dialogo seleccione el Grid System (debe tener solo una opción si todos los raster tienen las mismas dimensiones), en Features de clic al botón de tres puntos, seleccione todas las capas.
También, defina el numero inicial y final de Clusters luego clic en Ok.
5.- El resultado aparece en la pestaña Data, para visualizar el Raster seleccione Cluster, botón derecho > add to map.
El resultado puede variar del obtenido en QGIS 3.
Interpretación de resultados:
Ahora, debemos darle sentido a nuestra zonificación, para ello puede convertir el Cluster a vectorial, en menú Raster > Conversión > Poligonizar.
El siguiente paso es obtener las estadísticas de cada mapa para cada zona, para ello en el menú Procesos > Caja de Herramientas de Procesos > Estadísticas de zona.
Interprete las estadísticas de cada variable (Biomasa, pH, Materia Orgánica, conductividad eléctrica, fósforo y potasio) dentro de cada zona.
Notas finales:
Generar análisis de suelos densamente muestreados y con varias repeticiones, es una tarea costosa y genera un impacto sobre el suelo, sin embargo, en la actualidad existen sensores que permite realizar el análisis en campo de forma no invasiva.
También, se utilizan mapas de rendimiento en combinación con otras variables para generar zonas de manejo.
Por otro lado, las imágenes multiespectrales provenientes de satélites o drones constituyen una variable de gran importancia, de bajo costo y fácil adquisición que puede ser incorporada al análisis.
Autor: Luis Eduardo Pérez Graterol
Profesión: Ingeniero en Recursos Naturales
País: Venezuela
Web:www.mundocartogeo.blogspot.com
Hola muchas gracias, pueden compartir la carpeta con los raster interpolados y realizar el ejemplo? Gracias, Eddison
Con gusto, revisar ya está actualizado.
Muchas gracias, en ese caso hay primero que elaborar los raster de cada variable antes de ejecutar lo del SCP, veo que son imágenes las que hay que cargar allí? O no se si pueden disponer de los raster de insumos?
Saludos
En el caso del ejemplo mostrado en el articulo, si, primero debes realizar la interpolación para generar el raster de cada variable. Los archivos raster son formatos similares a las imágenes por eso también podemos tenerlos en formatos .tif pero no son propiamente imágenes.
El procedimiento para interpolar y los archivos de puntos son los mismos que hemos estado utilizando en los artículos anteriores, es una secuencia de artículos desde la interpolación, visualización y análisis, evaluación de la precisión, zonas de manejo
Excelente artículo.
Interesante información, gracias por compartir.
Muchas gracias, muy interesante el articulo. Les quería hacer una consulta: En este análisis cluster entiendo que todas las variables utilizadas como PH, Materia organica, CE, Fósforo, etc tienen el mismo «peso».
Ahora que pasa si de acuerdo al conocmiento técnico que tenemos sobre el suelo, nosotros sabemos de antemano por ejemplo, que la MO y fósforo tienen mas peso en la aptitud del suelo que el K y el PH.
Hay alguna forma de ponderar las variables para darle mas importancia a unas que otras? Gracias
Hola!!!
Podrías subir los raster, o mencionarme el sector de estudio para interpolar los datos.
Saludos!!!
También me gusta
Si puede subir los archivos raster para efectuar el procedimiento completo, se lo agradecería mucho.
Hola, que pasa cuando utilizo imagenes de spot?, no he encontrado la manera de hacer el análisis con base a esas imagenes
Cuál es la proyección geográfica de los datos originales?