Análisis de componentes principales con datos georreferenciados

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 p...

Descripción completa

Guardado en:

Detalles Bibliográficos
Publicado en:	Revista de la Facultad de Ciencias Agrarias
Autores principales:	Balzarini, Mónica, Bruno, Cecilia, Córdoba, Mariano, Costa, José Luis
Materias:	Análisis de componentes Análisis geoestadístico Análisis multivariado Córdoba (Argentina) Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión PCA
Acceso en línea:	https://bdigital.uncu.edu.ar/fichas.php?idobjeto=4485

descriptores_str_mv	Análisis de componentes Análisis geoestadístico Análisis multivariado Córdoba (Argentina) Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión PCA
todos_str_mv	4482 78 INTA. Balcarce. Buenos Aires spa UNC_FCA_CEB UNC_FCA_CEB UNC_FCA_CEB
titulo_str_mv	Análisis de componentes principales con datos georreferenciados Principal component analysis with georeferenced data
autor_str_mv	Balzarini, Mónica Bruno, Cecilia Córdoba, Mariano Costa, José Luis
disciplina_str_mv	Ciencias agrarias
description_str_mv	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. 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.
object_type_str_mv	Textual: Revistas
id	4485
plantilla_str	Artículo de Revista
record_format	article
container_title	Revista de la Facultad de Ciencias Agrarias
journal_title_str	Revista de la Facultad de Ciencias Agrarias
journal_id_str	r-78
container_issue	Revista de la Facultad de Ciencias Agrarias
container_volume	Vol. 44, no. 1
journal_issue_str	Vol. 44, no. 1
tipo_str	textuales
type_str_mv	Articulos
title_full	Análisis de componentes principales con datos georreferenciados
title_fullStr	Análisis de componentes principales con datos georreferenciados Análisis de componentes principales con datos georreferenciados
title_full_unstemmed	Análisis de componentes principales con datos georreferenciados Análisis de componentes principales con datos georreferenciados
description	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.
dependencia_str_mv	Facultad de Ciencias Agrarias
title	Análisis de componentes principales con datos georreferenciados
spellingShingle	Análisis de componentes principales con datos georreferenciados Análisis de componentes Análisis geoestadístico Análisis multivariado Córdoba (Argentina) Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión PCA Balzarini, Mónica Bruno, Cecilia Córdoba, Mariano Costa, José Luis
topic	Análisis de componentes Análisis geoestadístico Análisis multivariado Córdoba (Argentina) Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión PCA
topic_facet	Análisis de componentes Análisis geoestadístico Análisis multivariado Córdoba (Argentina) Método MULTISPATI-PCA Nuevas tecnologías para agricultura de precisión PCA
author	Balzarini, Mónica Bruno, Cecilia Córdoba, Mariano Costa, José Luis
author_facet	Balzarini, Mónica Bruno, Cecilia Córdoba, Mariano Costa, José Luis
title_sort	Análisis de componentes principales con datos georreferenciados
title_short	Análisis de componentes principales con datos georreferenciados
url	https://bdigital.uncu.edu.ar/fichas.php?idobjeto=4485
estado_str	3
building	Biblioteca Digital
filtrotop_str	Biblioteca Digital
collection	Artículo de Revista
institution	Sistema Integrado de Documentación
indexed_str	2023-04-25 00:38
_version_	1764120314161135616

Análisis de componentes principales con datos georreferenciados

Ejemplares similares