.png)
Spatial variability of soil physical for UMA’s
delimiting in oil palm (Elaeis guineensis
Jacq).
Jorge
Leonardo Cucunubá Melo[1]
RESUMEN
La palma de aceite representa una
alternativa para el desarrollo de sistemas productivos en el trópico. Con la
determinación de la variabilidad espacial de las características físicas de los
suelos se puede plantear recomendaciones específicas para determinadas zonas
dentro de un lote. El análisis geoestadístico permite identificar la existencia
de la distribución espacial y constituye una herramienta adecuada para el
análisis de la variabilidad espacial de las propiedades del suelo. El objetivo de
este estudio fue determinar zonas con características físicas homogéneas para
establecer unidades de manejo agronómico, mediante técnicas geoestadísticas. Se
realizó un muestreo de 62 puntos en 10,6 ha en el Municipio de El Retén
(Magdalena). Las propiedades analizadas fueron densidad real, densidad
aparente, contenidos de arena, limo y arcilla, porosidad total, contenidos de
humedad gravimétrica y volumétrica, conductividad hidráulica y velocidad de
infiltración. Todas las propiedades presentaron correlación espacial, con
ajustes a modelos teóricos de semivariogramas, predominando el modelo esférico,
con alcances entre 84,87 y 218,60 m y dependencia espacial moderada a fuerte.
Los mapas de contorno obtenidos a partir de kriging permitieron identificar la
relación entre las diferentes propiedades físicas del suelo y la posterior
clasificación para determinar las Unidades de Manejo Agronómico.
Palabras
claves adicionales: geoestadística,
semivariograma, kriging, agricultura de precisión
ABSTRACT
Oil palm is an
alternative for the development of productive systems in the tropics. With the
spatial variability determination of soil physical characteristics can make
specific recommendations to certain areas within a ground. The geostatistical
analysis allows identifying the existence of the spatial distribution and
constituting an appropriate tool for analyzing the spatial variability of soil
properties. The aim of this study was to determine areas with homogeneous
physical characteristics to establish agricultural management units, using
geostatistical techniques. For this study, 62 samples were collected in 10.6 ha
in the municipality of El Retén
(Magdalena). The properties analyzed were particle density, bulk density,
content of sand, silt and clay, total porosity, gravimetric and volumetric moisture
content, hydraulic conductivity and infiltration rate. All properties showed
spatial correlation, with adjustments to semivariograms theoretical models,
dominating the spherical model, with ranges between 84.87 and 218.60 m and
moderate to strong spatial dependence. The contour maps obtained from kriging,
allowed identifying the relationship between the different physical properties
of soil and the subsequent classification to determine Agronomic Management
Units.
Additional key words: geoestatistics, semivariogram,
kriging, precision farming.
INTRODUCCIÓN
En Colombia, la siembra de palma
de aceite (Elaeis guineensis Jacq) se realiza con
frecuencia en suelos de baja fertilidad y en zonas con otras limitaciones, en
las cuales la rentabilidad del cultivo es afectada por altos costos de
fertilización, adecuación de tierras y corrección de limitantes biofísicas
(Rubiano, 2005). Una alta proporción
de los cultivos actuales de palma de aceite se desarrollan sobre suelos que
previamente fueron utilizados en cultivos de arroz o en explotaciones
ganaderas, actividades que a través del tiempo generan cambios en las
propiedades de los suelos, como compactación, reducción de la conductividad
hidráulica y deterioro de la estructura del suelo (Munévar, 1998). Además
muchos de los suelos cultivados con palma de aceite en la zona Norte de
Colombia presentan características
especiales en donde se observan altos contenidos de arcillas montmorilloníticas
e integrados vermiculíticos-illíticos de tipo 2:2 y 2:1, donde es
característico encontrar limitantes físicas como la compactación, altos valores
de densidad aparente y baja conductividad hidráulica (Garzón, 2008).
De otro lado, se observa que el manejo dado en la
mayoría de las plantaciones de palma, se hace de forma homogénea, sin
considerar los diferentes cambios que se dan en el espacio en las diferentes
propiedades del suelo, variabilidad que obedece a diferentes procesos naturales
(clima, topografía, interacción con especies animales y vegetales) o que puede
ser inducida, debido a las actividades antrópicas y en particular a las
diferentes prácticas culturales realizadas en la producción agrícola (Molin et
al., 2008). La variabilidad espacial ha sido estudiada en diferentes clases de
suelos, encontrando patrones definidos en la distribución espacial y relaciones
entre estas propiedades y la productividad de los cultivos, lo cual ha permitido
identificar zonas de manejo para la realización de labores como fertilización,
preparación de suelos, diseño de obras de riego y de canales de drenaje, entre
otras (Fietz et al., 1999; Camacho-Tamayo et al., 2008;
Ramírez-López et al., 2008).
Existe una tendencia mundial en el sector agrícola
para generar información de las causas de la variabilidad espacial de las
propiedades del suelo, con el fin de facilitar la toma de decisiones, a través
de diferentes herramientas de información geográfica, que permitan el manejo de
los cultivos a través de técnicas conocidas como unidades de manejo agronómico
(UMA), manejo por sitio específico o agricultura de precisión. Estas técnicas
han permitido el desarrollo de modelos y sistemas de gestión más adecuados para
la producción agrícola (Godwin y Miller, 2003).
Un sistema de información geográfica es un conjunto
de herramientas que captan, almacenan, recuperan, transforman, muestran y
analizan diversos tipos de datos geográficamente referenciados. Esta
información busca, entre otros fines, generar información que se pueda plasmar
en mapas temáticos que pueden combinarse con el fin de analizar las posibles
interacciones entre diversas variables (Burrough y MacDonell, 1998). Una de estas herramientas es el análisis geoestadístico, que permite identificar
la distribución y el comportamiento espacial de las características estudiadas,
mediante el ajuste de modelos teóricos de semivariogramas que permiten
visualizar la correlación de la variable en diferentes direcciones y distancias
de separación, modelos que permiten estimar los valores de la variable en
estudio en zonas no muestreadas mediante interpolación, a través del kriging
(Dale et al., 2002),
Por lo tanto, el objetivo
del presente trabajo fue determinar la variabilidad espacial de algunas
propiedades físicas, mediante técnicas geoestadísticas y de kriging, para la
identificación de UMA’s en un lote sembrado con palma de aceite.
MATERIALES Y MÉTODOS
El estudio se realizó en una zona comercial de
palma de aceite en la plantación El Líbano, situada en el municipio de El Retén
(Magdalena), con coordenadas geográficas 10° 38’ 59,19’’ N, 74° 19’ 37,90’’ W y
altitud media de 15 msnm. La zona presenta un clima cálido, con temperatura
media de 28ºC, humedad relativa del 70,01% y precipitación media anual de 850
mm, con lluvias concentradas en el periodo de mayo a noviembre. El suelo
predominante es un Typic Duraquert. El relieve es suave ondulado con pendientes
entre 2% y 5%. El área de estudio fue de 10,6 ha, en un lote sembrado con palma
de aceita variedad Deli X Nigeria con una edad de 2 años.
Inicialmente se realizó un estudio de altimetría
con la ayuda de un nivel y un sistema de geoposicionamiento global (GPS), con
el fin de establecer un plano de la zona,
y así identificar las áreas con posibles problemas de drenaje e
inundaciones frecuentes. Se recolectaron 62 muestras de suelo, en puntos
distanciados regularmente cada 45 m, en direcciones perpendiculares entre sí, a
una profundidad de 30 cm (Figura 1). Con estas muestras se determinaron los
contenidos de arena, limo y arcilla por
el método de Bouyoucos, la densidad aparente por el método de los cilindros de
volumen conocido, la densidad real por el método del picnómetro, la porosidad
total y los contenidos de humedad gravimétrica (HG) y humedad volumétrica (HV).
En cada punto de muestreo también se realizaron pruebas de infiltración por el método de los anillos concéntricos y
la conductividad hidráulica por el método del pozo
barrenado o de Auger Hole.
Inicialmente se realizó el análisis de los datos
mediante estadística descriptiva, calculando media, mediana, mínimo y máximo,
coeficiente de variación (CV), asimetría y curtosis, así como la prueba de
normalidad de Kolmogorov-Smirnov, los cuales fueron estimados en el programa
SPSS. De esta manera, se evaluó la normalidad de los atributos, la cual no es
indispensable, pero proporciona mejores predicciones cuando se asocia a
técnicas geoestadísticas (Diggle y Ribeiro, 2000). Para el análisis del CV, se
usó la clasificación de Pimentel-Gómez y García (2002), autores que clasifican
la variabilidad de un atributo de acuerdo con la magnitud de su coeficiente de
variación, siendo baja para valores menores de 10%, media entre 10 y 20%, alta
entre 20 y 30% y muy alta si es mayor del 30%.
Figura
1. Distribución de los puntos de muestreo en el área
de estudio.
Posteriormente, se realizaron los ajustes de los modelos teóricos de semivariogramas, a partir de la teoría de variables
regionalizadas, la cual dispone de diferentes métodos de análisis de variación
espacial, siendo uno de ellos el semivariograma (Vieira, 2000). Este análisis
supone que la medida de una propiedad de dos muestras separadas por una
distancia, son similares si la distancia es pequeña, notándose una mayor
diferencia cuando se incrementa la distancia. La semivarianza es definida como:
²
siendo
los valores muéstrales en los
puntos 
, en los que se tiene datos tanto en como en
;
el número de
pares de datos separados una distancia h. La representación de los valores obtenidos
en cada región frente a 
, da lugar al
semivariograma experimental, el cual se ajusta al modelo teórico y se estiman
los coeficientes del efecto pepita (C0), meseta (C0+C1)
y rango o alcance (a). El efecto pepita indica la discontinuidad entre las
muestras, es decir la variabilidad espacial no detectada durante el proceso de
muestreo. La meseta es el valor de la semivarianza donde el modelo se
estabiliza y presenta un valor constante. El alcance representa la distancia máxima
a la cual un valor de una variable tiene dependencia espacial.
los valores muéstrales en los
puntos , en los que se tiene datos tanto en como en; el número de
pares de datos separados una distancia h. La representación de los valores obtenidos
en cada región frente a , da lugar al
semivariograma experimental, el cual se ajusta al modelo teórico y se estiman
los coeficientes del efecto pepita (C0), meseta (C0+C1)
y rango o alcance (a). El efecto pepita indica la discontinuidad entre las
muestras, es decir la variabilidad espacial no detectada durante el proceso de
muestreo. La meseta es el valor de la semivarianza donde el modelo se
estabiliza y presenta un valor constante. El alcance representa la distancia máxima
a la cual un valor de una variable tiene dependencia espacial.
Los resultados obtenidos fueron ajustados a los modelos
esférico, exponencial y gaussiano, que son los más comunes en el estudio de la
variabilidad espacial de las propiedades de los suelos. El modelo esférico es definido
por γ (h) = C0 + C1*[1,5 (h/a) - 0,5 (h/a)³] para 0 <
h < a y γ (h) = C0 + C1 para h > a, el modelo exponencial
es definido por γ (h) = C0 + C1*[1 – e(-3h/a)]
para 0 < h < d, siendo d la máxima distancia en la cual el semivariograma
está definido y el modelo gaussiano es definido por γ (h) = C0 + C1*[1-e(-3h²/a²)].
Una vez establecido el modelo que mejor se ajustó para cada propiedad, se construyeron los mapas de contorno mediante kriging, el cual permite
la predicción de la propiedad en zonas no muestreadas. Se verificó el grado de dependencia espacial (GDE), mediante la relación entre el
efecto pepita y la meseta (C0/C0+C). El GDE es
clasificado débil para GDE superior de 75%, moderada para GDE entre 25% y 75% y
fuerte para GDE inferior a 25% (Cambardella, 1994).
RESULTADOS Y DISCUSIÓN
Análisis descriptivo
Los resultados obtenidos en el análisis descriptivo
mostraron que la mayoría de los atributos se aproximan a la distribución normal
(Tabla 1), como indican los valores semejantes de la media y la mediana, además
de los valores próximos de cero de asimetría y curtosis, lo que también fue
verificado por la prueba de normalidad de Kolmogorov-Smirnov. Ajuste a la
normalidad para estos atributos es reportado por varios autores, en diferentes tipos
de suelos (Ramírez López et al., 2008; Rodríguez-Vasquez et al., 2008).
El contenido de arena y limo, así como la
conductividad hidráulica fueron atributos que no se aproximaron a la
distribución normal, al presentar una prueba de normalidad significativa. En el
caso del contenido de arena y la conductividad hidráulica (CH), se observó que
los valores de la media y la mediana son distantes, presentando coeficientes de
variación (CV) muy altos, lo que resulta también en una prueba significativa de
Kolmogorov-Smirnov. El contenido de limo también se aleja de la distribución
normal y aunque los valores de la media y la mediana de este atributo son
semejantes, se verifica que los valores de asimetría y curtosis son distantes
de cero. De acurdo con Cressie (1993), más que la normalidad, es conveniente
verificar que la distribución normal no presente colas muy largas para no
comprometer los resultados, especialmente cuando se realiza kriging, donde las
estimaciones son basadas en valores medios (Warrick y Nielsen, 1980). Otro
hecho importante es la ocurrencia del efecto proporcional entre la media y la
varianza de los datos, a lo largo de una superficie, que permite estimar
mesetas bien definidas en los modelos de semivariogramas.
Tabla 1. Análisis descriptivo de las variables
Propiedad
|
Media
|
Mediana
|
CV, %
|
Mínimo
|
Máxima
|
Asimetría
|
Curtosis
|
K-S
|
Da, g cm-3
|
1,40
|
1,39
|
9,52
|
1,09
|
1,67
|
-0,13
|
-0,46
|
ns
|
Dr, g cm-3
|
2,53
|
2,50
|
6,20
|
2,22
|
2,85
|
0,16
|
0,01
|
ns
|
Pt, %
|
44,18
|
43,30
|
13,62
|
31,49
|
59,13
|
0,44
|
-0,06
|
ns
|
Arena, %
|
27,86
|
23,00
|
62,09
|
9,00
|
71,00
|
0,90
|
-0,14
|
*
|
Arcilla, %
|
36,66
|
37,00
|
38,43
|
7,00
|
59,00
|
-0,36
|
-0,78
|
ns
|
Limo, %
|
34,46
|
34,50
|
19,15
|
12,00
|
48,00
|
-1,00
|
2,24
|
*
|
HG, %
|
19,81
|
20,11
|
35,52
|
1,29
|
35,18
|
-0,31
|
-0,11
|
ns
|
HV, %
|
27,73
|
28,00
|
34,85
|
2,00
|
46,00
|
-0,36
|
-0,01
|
ns
|
Vi, cm h-1
|
1,55
|
1,48
|
73,47
|
0,12
|
4,39
|
0,66
|
-0,17
|
ns
|
CH, m dia-1
|
0,48
|
0,38
|
73,50
|
0,04
|
1,36
|
0,74
|
-0,33
|
*
|
CV:
coeficiente de variación; (*) significativo a 5 % pelo teste de Kolmogorov-Smirnov
(K-S); Da: densidad aparente; Dr: densidad real; Pt: porosidad total; HG:
humedad gravimétrica; HV: humedad volumétrica; Vi: velocidad de infiltración;
CH: conductividad hidráulica.
El comportamiento del CV refleja la variabilidad de
los atributos estudiados. De acuerdo con Pimentel-Gómez y García (2002), los
atributos del suelo que presentaron baja variabilidad fueron la densidad
aparente (9,52%) y la densidad real (6,20%) (Tabla1), la primera por tratarse
de un suelo mineral con similar peso de partículas en todo el lote aunque con
niveles altos de compactación, y la segunda porque no se presentan cambios muy
marcados en el contenido de arcillas en todo el lote. Se presentó variación
media en la porosidad total (Pt) la cual fue de 13,62% y en el contenido de
limo (19,15%). Los otros atributos presentaron variabilidad muy alta,
destacándose los altos valores del CV de la arena (62,09), velocidad de
infiltración (Vi) (73,47%) y CH (73,50). Está variable se encuentra fuertemente
relacionada con los diferentes cambios de la composición textural del suelo
(Moreno et al., 2001), así mismo la
alta variabilidad se puede presentar por los diferentes usos y manejos que ha
presentado este lote, dado que antes de establecerse el cultivo de la palma de
aceite, estaba dedicado a actividades de ganadería. La
gran variación denotada por el CV para Vi y CH se debe también a que en el
momento de realizar las pruebas, algunos sectores presentaron suelo saturado
debido al inadecuado funcionamiento del sistema de drenaje.
Análisis geoestadístico
Todos los atributos
presentaron ajuste a modelos teóricos de semivariogramas, predominando el
modelo esférico, a pesar de que la Da se ajustó a un modelo exponencial y el
limo a un modelo gaussiano (Tabla 2). Ajuste de diferentes atributos físicos
son también reportados por varios autores (Duffera et al., 2007; Ramírez-López
et al., 2008: Rodríguez-Vásquez et al., 2008). La HG fue el atributo que
presentó el menor coeficiente de determinación (R2), mostrando una
menor representatividad del modelo ajustado. Los otros parámetros presentaron R2
superiores de 0,70, indicando una confiabilidad adecuada del modelo obtenido.
Este resultado, acompañado de valores próximos de uno (1) del coeficiente de
validación cruzada, garantiza una buena representatividad de los valores
encontrados, cuando se estiman los valores teóricos, los cuales fueron
posteriormente representados en mapas de contorno, mediante kriging.
Tabla 2. Parámetros de los semivariogramas teóricos de las variables
Propiedad
|
Modelo
|
C0
|
C0+C1
|
Rango
(m)
|
C1/(C0+C1)
|
R2
|
CVC
|
Da
|
Exponencial
|
3,4E-3
|
0,02
|
172,20
|
0,81
|
0,93
|
0,93
|
Dr
|
Esférico
|
8,5E-3
|
0,02
|
115,00
|
0,64
|
0,70
|
0,95
|
Pt
|
Esférico
|
1,96
|
32,84
|
102,20
|
0,94
|
0,77
|
0,68
|
Arena
|
Esférico
|
0,10
|
239,00
|
96,70
|
1,00
|
0,87
|
0,80
|
Arcilla
|
Esférico
|
43,70
|
169,70
|
128,60
|
0,74
|
0,85
|
0,84
|
Limo
|
Gaussiano
|
0,10
|
68,94
|
84,87
|
1,00
|
0,83
|
0,80
|
HG
|
Esférico
|
0,10
|
48,36
|
103,10
|
1,00
|
0,84
|
0,79
|
HV
|
Esférico
|
3,90
|
98,40
|
117,00
|
0,96
|
0,94
|
0,81
|
Vi
|
Esférico
|
0,53
|
3,60
|
218,60
|
0,85
|
0,86
|
0,87
|
CH
|
Esférico
|
4,3E-3
|
0,09
|
150,50
|
0,95
|
0,61
|
0,94
|
C0: efecto pepita; C0+C1:
meseta; C1/(C0+C1): grado de dependencia
espacial; R2: coeficiente de determinación de la curva del modelo
teórico de semivarigorama; CVC: coeficiente de validación cruzada; Da: densidad aparente; Dr: densidad real; Pt:
porosidad total; HG: humedad gravimétrica; HV: humedad volumétrica; Vi:
velocidad de infiltración; CH: conductividad hidráulica.
Los contenidos de
limo y arena fueron atributos que presentaron los menores rangos, inferiores a
100 m. Por otra parte, el atributo que presentó el mayor alcance fue obtenido
para Vi, con un valor de 218,60 m. En general, la mayoría de los atributos
presentaron rangos próximos de 100, confirmando que la distancia escogida para
el muestreo inicial entre puntos (45 m), fue apropiada ya que permitió
identificar la dependencia espacial para todos los atributos, además de
presentar rangos inferiores a la máxima distancia de muestreo, que para el
presente estudio fue de aproximadamente 500 m, con lo cual se cumple el
precepto de la teoría de las variables regionalizadas (Vieira, 2000).
Todas las variables
presentaron un claro efecto pepita lo que sugiere la presencia de una
microvariabilidad no explicada por el muestreo utilizado, debido a la
heterogeneidad del terreno en los sitios de muestreo ya que no presentan
cambios en sus características generales a cortas distancias (Arrouays et
al.,2000). Sin embargo, se observó que la mayoría de los atributos presentaron
GDE fuerte, con valores superiores a 0,80, exceptuando la Dr y el contenido de
arcilla, atributos con un GDE moderado, con valores de 0,64 y 0,74,
respectivamente.
Análisis de la distribución espacial
Los mapas de contorno permiten establecer las
relaciones entre las diferentes propiedades en estudio, mostrando cierta
similitud entre ellos. Así, áreas con mayor contenido de arcilla (Figura 2E),
corresponden razonablemente a áreas con valores altos de Da y Dr (figuras 2A y
2B), valores medios o bajos de Pt (Figura 2C), mayores contenidos de humedad
(Figuras 3A y 3B) y los menores valores de Vi y CH (Figuras 3C y 3D). En todos
los casos se presenta una marcada dependencia de las características físicas de
los suelos en la parte central llevando un cordón hacia la parte noroeste del
lote en estudio (Figuras 2 y 3). Al
estar la zona de estudio en clima estacional, se generan grandes grietas por
donde migra el material del suelo, hacia abajo y hacia arriba, generadas por
las superficies de falla que presentan los vertisoles, atribuidas a las características
propias de las arcillas de tipo vermiculita (Nordt et al., 2004). La
distribución espacial está influenciada por la geomorfología de la zona de
estudio, ya que antes de ser civilizada eran pantanos y humedales.
Figura 2. Mapas de contorno obtenidos mediante kriging
para densidad aparente
(A), densidad real (B), porosidad total (C), contenido de arena (D), contenido
de arcilla (E) y contenido de limo (F).
Figura 3. Mapas de contorno
obtenidos mediante kriging para humedad gravimétrica (A), humedad volumétrica (B),
velocidad de infiltración (C), conductividad hidráulica.
La densidad
aparente es la propiedad que menor heterogeneidad presentó, seguida por el
contenido de humedad del suelo. Sin embargo, cabe resaltar que en la parte
sureste a pesar de ser un suelo de textura arcillosa se presentan valores de
densidad aparente cercanos a 1,6 g cm-3, lo que hace pensar en la
influencia de algunas propiedades químicas como limitante que afectan esta
característica. Del mismo modo ocurre con la velocidad de infiltración (Figura 3C),
que presenta en esta misma zona valores lentos y moderadamente lentos y que con
la ayuda de un análisis químico de este sector se logró determinar la
influencia que estaba causando la presencia de suelos con altos contenidos de
sodio.
Dadas las
características ya descritas se definieron tres Unidades de Manejo Agronómico (UMA’s)
las cuales se determinaron por características similares. Se tomó como
referencia el CV para hacer más homogénea la clasificación de las tres unidades
(Tabla 3).
Tabla 3. Coeficiente
de variación para cada Unidad de Manejo Agronómico (UMA)
Propiedad
|
Coeficiente de variación, %
|
|||
Inicial
|
UMA 1
|
UMA 2
|
UMA 3
|
|
Da
|
9,52
|
7,83
|
9,86
|
9,74
|
Dr
|
6,20
|
6,39
|
6,56
|
3,67
|
Pt
|
13,62
|
13,74
|
12,80
|
14,76
|
Arena
|
62,09
|
26,24
|
52,20
|
77,44
|
Arcilla
|
38,43
|
40,58
|
25,67
|
25,34
|
Limo
|
19,15
|
62,68
|
18,06
|
25,82
|
HG
|
35,52
|
55,70
|
26,49
|
27,49
|
HV
|
34,85
|
58,70
|
23,92
|
30,36
|
Vi
|
73,47
|
44,85
|
57,40
|
59,23
|
CH
|
73,50
|
26,02
|
61,83
|
96,95
|
Da: densidad aparente; Dr: densidad real; Pt: porosidad total; HG:
humedad gravimétrica; HV: humedad volumétrica; Vi: velocidad de infiltración;
CH: conductividad hidráulica.
La primera UMA
presenta un área de 3,55 ha (Figura 4), donde predominan suelos con mayor
contenido de arenas, presentando texturas entre franco arenosas y arenosas, Da
entre 1,53 y un 1,67 g cm-3, en donde se observan plantas sanas con
buena profundidad radicular. La segunda UMA presenta un área de 5,11 ha, donde
predominan los mayores contenidos de arcillas, con clases texturales entre
arcillosas y franco arcillo arenosas, Pt mayor al 45% y Vi entre moderada y
moderadamente lenta (Montenegro, 1990). La tercera UMA presenta un área de 2,38
ha, zona derivada de la UMA 2, ya que no presenta variaciones en las texturas,
pero si en otras características físicas como Da, con valores cercanos de 1,62 g cm-3, Vi entre lenta y muy lenta,
influido por la presencia de sales, como fue observado en campo.
Figura 4. Unidades de Manejo agronómico para el áea de estudio.
El cambio más
importante se da para la velocidad de infiltración, que presenta un CV del 73,47%
para todas las muestras, y que al definir las UMA’s, disminuye a valores que
oscilan entre el 44,85% y 57,40% (Tabla
3). Es importante resaltar que el CV del contenido de arena para la UMA 3
contrasta con el CV de la velocidad de infiltración, dadas las condiciones de
compactación de origen sódico de esta unidad. Para el resto de variables en las
restantes UMA’s se encuentran CV mayores, provocados por la gran variabilidad
de los suelos de este lote. Esto hizo necesaria la ubicación de zonas con características y
comportamientos similares dando origen a tres UMA’s, las cuales presentan entre
ellas diferencias marcadas en cuanto a la velocidad de infiltración.
En
todo el lote en general se observan contenidos significativos de arcillas por
las características pedogenéticas de estos suelos, dada la facilidad con la que
estas migran de un lado a otro y la gran expansividad que este suelo presenta.
La
alta densidad aparente, la baja porosidad y la lenta velocidad de infiltración
determinaron la UMA 3, dado que presenta compactación del terreno siendo un
obstáculo para el desarrollo radicular de la palma, sin mencionar los
agravantes químicos presentes.
En
general la UMA 2 la determina el contenido de arcilla y el muy bajo contenido
de arena, presentando velocidades de infiltración moderadamente bajas. El
contenido de limo está en un rango medio, que es similar en todas las UMAS.
CONCLUSIONES
Todos los atributos
presentaron variabilidad, siendo baja para la densidad aparente y la densidad
real y alta para el contenido de arena, la velocidad de infiltración y la
conductividad hidráulica. Esta variabilidad siguió modelos teóricos para las
propiedades analizadas, presentando dependencia espacial definida, predominando
el modelo esférico, con grados de dependencia espacial fuertes, excepto para la
densidad real.
El uso del kriging
para la elaboración de los mapas de contorno, permitió identificar zonas de
manejo y la relación entre las diferentes propiedades físicas del suelo, lo
cual facilitó su posterior clasificación para determinar las Unidades de Manejo
Agronómico.
AGRADECIMIENTOS
Al
programa de Suelos y aguas de CENIPALMA, y a la empresa Aceites S.A., por el
apoyo logístico y por el apoyo económico.
LITERATURA CITADA
Arrouays,
D., S. Martín, A. Lepretre y H. Bourennane. 2000. Short–Range
spatial variability of metal content in soil on a one hectare agricultural
plot. Commun. Soil Sci. Plant Anal. 31(3-4): 387–400.
Burrough,
P. y R. MacDonell. 1998. Principles of geographical
information systems. New York: Oxford University Press.
Camacho-Tamayo, J.H, C.A. Luengas y
F.R. Leiva. 2008. Effect of agricultural intervention on the spatial
variability of some soils chemical properties in the eastern plains of
Colombia. Chilean J. Agric. Res. 68(1):42-55.
Cambardella, C.A., T.B. Moorman,
J.M. Novak, T.B. Parkin, D.L. Karlen, R.F. Turco y A.E. Konopka. 1994.
Field-scale variability of soil properties in Central Iowa Soils. Soil Sci.
Soc. Am. J. 58(5):1501-1511.
Cressie, N. 1993. Statistics for
spatial data. Revised Edition. John Wiley & Sons, New York , USA
Dale,
M., P. Dixon, M. Fortin, P. Legendre, D. Myers y M. Rosemberg. 2002 Conceptual
and mathematical relationships among methods for spatial analysis. Ecography 25(5):558-77.
Diggle, P.J. y J.R. Ribeiro. 2000.
Model Based Geostatistics. 1ed. São Paulo: Associação Brasileira de
Estatística. 129 p.
Duffera, M., J.G. White y R. Weisz. 2007. Spatial
variability of Southeastern U. S. Coastal Plain soil physicial properties:
Implications for site-specific management. Geoderma 137(3-4),
327-339.
Fietz, C.R., M.V. Folegatti, S.R. Vieira y J.A. Frizzone. 1999. Efeito da variabilidade do armazenamento de agua no solo na qualidade da
irrigação por aspersão. R. Bras. Eng. Agríc. Amb. 3(2), 150–153.
Garzón, E. 2008. Manejo Integrado de
Suelos para la zona norte palmera. Curso
taller. Aracataca, Magdalena.
Godwin, R.J. y P.C.H. Miller. 2003. A review of the technologies for mapping
within-field variability. Biosyst.
Eng. 84(4):393-407.
Molin, J.P., F.R. Leiva y J.H. Camacho-Tamayo.
2008. Tecnología de la agricultura de precisión en el contexto de la
sostenibilidad. En: Leiva, F.R. (Ed.). Agricultura de precisión en cultivos
transitorios. Bogotá, Universidad Nacional de Colombia. p.13-41.
Moreno, F., F. Cabrera,
J.E. Fernández y I.F. Girón. 2001. Propiedades hidráulicas y concentración de
metales pesados en los suelos y en las aguas de drenaje de dos zonas afectadas
por el vertido. Boletín Geológico y Minero 112, 178-184.
Munévar,
F. 1998. Problemática de los suelos cultivados con palma de aceite en Colombia.
Palmas (Colombia) 19 (Nº Especial): 218 – 228.
Nordt, L., L. Wilding, W. Lynn y C.
Crawford. 2004. Vertisols genesis in a humid climate of the coastal plain of
Texas, U.S.A. Geoderma 122 (1), 83-102.
Pimentel-Gómez, F. y C.H. García. 2002. Estatística aplicada a experimentos
agronômicos e florestais: exposição com exemplos e orientações para uso de
aplicativos. Piracicaba, FEALQ. 309p.
Ramírez-López, L., A. Reina-Sánchez yJ.H. Camacho-Tamayo.
2008. Variabilidad espacial de atributos físicos de un
Typic Haplustox de los Llanos Orientales de Colômbia. Eng. Agríc. 28(1):55-63
Rodríguez-Vásquez,
A.F., A.M. Aristizabal-Castillo y J.H. Camacho-Tamayo. 2008. Variabilidad
espacial de los modelos de infiltración de Philip y Kostiakov en un suelo
ándico Eng. Agríc. 28(1):64-75.
Rubiano,
Y. 2005. Conceptos básicos para utilizar
los levantamientos de suelos en el manejo agronómico de la palma de aceite.
Proyecto Caracterización de suelos y determinación de Unidades de Manejo
Agronómico en Plantaciones de la Zona Central Palmera. Bogotá, Colombia.
Vieira, S.R. 2000. Geoestatística em estudos
de variabilidade espacial do solo. In:
P.F. Novais, V.H. Alvarez and C.E.G.R.
Schaefer (eds.). Tópicos em
ciência do solo. Viçosa : Sociedade Brasileira de Ciência do Solo. 1:1-54.
Warrick, A.W. y D.R. Nielsen.
1980. Spatial variability of soil
physical properties in the field. En: Hillel, D. (ed). Applications of soil
physics. New York
[1] Ingeniero Agrónomo.
Coordinador planta de compostaje. PALMACEITE SA. Aracataca Magdalena. e-mail: leodani2003@gmail.com
.){kind=link}
0 Comentarios