Artículo de revista
Análisis de componentes principales con datos georreferenciados
una aplicación en agricultura de precisiónPrincipal component analysis with georeferenced data
an application in precision agriculture
Córdoba, Mariano
Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría.
- Enviar un email al autor
Balzarini, Mónica
Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría.
- Enviar un email al autor
Bruno, Cecilia
Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Cátedra de Estadística y Biometría.
- Enviar un email al autor
Costa, José Luis
Instituto Nacional de Tecnología Agropecuaria (Argentina). Estación Experimental Agropecuaria Balcarce
- Enviar un email al autor
Publicado en el 2012 en
Revista de la Facultad de Ciencias Agrarias,
Vol. 44, no. 1
Idioma:
Español
Resumen:
Español
La utilización de nuevas tecnologías
asociadas a la agricultura de precisión permite
capturar información de múltiples variables
en gran cantidad de sitios georreferenciados
dentro de lotes en producción. Las covariaciones
espaciales de las propiedades
del suelo y el rendimiento del cultivo
pueden evaluarse a través del análisis de
componentes principales clásico (PCA). No
obstante, como otros métodos multivariados
descriptivos, el PCA no ha sido desarrollado
explícitamente para datos espaciales.
Nuevas versiones de análisis multivariado
permiten contemplar la autocorrelación
espacial entre datos de sitios vecinos. En este
trabajo se aplican y comparan los resultados
de dos técnicas multivariadas, el PCA y
MULTISPATI-PCA. Este último incorpora la
información espacial a través del cálculo del
índice de Moran entre los datos de un sitio y el
dato promedio de sus vecinos. Los resultados
mostraron que utilizando MULTISPATI-PCA
se detectaron correlaciones entre variables
que no fueron detectadas con el PCA. Los
mapas de variabilidad espacial construidos
a partir de la primera componente de
ambas técnicas fueron similares; no así
los de la segunda componente debido a
cambios en la estructura de co-variación
identificada, al corregir la variabilidad por
la autocorrelación espacial de los datos. El
método MULTISPATI-PCA constituye una
herramienta importante para el mapeo de
la variabilidad espacial y la identificación de
zonas homogéneas dentro de lotes.
Inglés
New precision agriculture technologies allow
collecting information from several variables at
many georeferenced locations within crop fields.
The spatial covariation of soil properties and crop
yield data can be evaluated by principal component
analysis (PCA). Nevertheless, PCA has not been
explicitly developed for spatial data as other
multivariate descriptive methods. Other multivariate
techniques that include spatial autocorrelation
among data of neighborhood sites have been
recently developed. In this paper, we apply and
compare two multivariate analyses, PCA and
spatially constrained multivariate analysis methods
(MULTISPATI-PCA). The latter incorporates
the spatial information into multivariate analysis
calculating Moran’s index between the data at one
location and the mean values of its neighbors. The
results showed that MULTISPATI-PCA detected
relations in the data that were not detected with
PCA. The mapping of spatial variability from the
first principal component was similar between PCA
and MULTISPATI-PCA, but maps from the second
component were different due to the variance
correction by spatial autocorrelation. MULTISPATIPCA
method represents a crucial tool to map spatial
variability within a field, and to identify homogeneous
zones in a multivariate sense.
Disciplinas:
Palabras clave:
Descriptores:
Córdoba, Mariano; Balzarini, Mónica; Bruno, Cecilia; Costa, José Luis (2012) "Análisis de componentes principales con datos georreferenciados: una aplicación en agricultura de precisión". En: Revista de la Facultad de Ciencias Agrarias, Vol. 44, no. 1, p. 27-39.
Dirección URL del artículo: https://bdigital.uncu.edu.ar/4485.
Fecha de consulta del artículo: 18/05/24.
Este obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 3.0 Unported.
Conozca más sobre esta licencia >