Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión

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...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Córdoba, Mariano, Balzarini, Mónica, Bruno, Cecilia, Costa, José Luis
Formato:	Online
Lenguaje:	spa
Publicado:	Facultad de Ciencias Agrarias-UNCuyo 2022
Materias:	análisis multivariado MULTISPATI-PCA PCA multivariate analysis
Acceso en línea:	https://revistas.uncu.edu.ar/ojs3/index.php/RFCA/article/view/6238

id	I11-R107article-6238
record_format	ojs
spelling	I11-R107article-62382022-11-10T17:50:32Z Principal component analysis with georeferenced data An application in precision agriculture Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis análisis multivariado MULTISPATI-PCA PCA multivariate analysis MULTISPATI-PCA PCA 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. 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. Facultad de Ciencias Agrarias-UNCuyo 2022-11-10 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf https://revistas.uncu.edu.ar/ojs3/index.php/RFCA/article/view/6238 Revista de la Facultad de Ciencias Agrarias UNCuyo; Vol. 44 No. 1 (2012): January-June; 27-39 Revista de la Facultad de Ciencias Agrarias UNCuyo; Vol. 44 Núm. 1 (2012): Enero-Junio; 27-39 1853-8665 0370-4661 spa https://revistas.uncu.edu.ar/ojs3/index.php/RFCA/article/view/6238/5065 https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es
institution	Universidad Nacional de Cuyo
building	Revistas en línea
filtrotop_str	Revistas en línea
collection	Revista de la Facultad de Ciencias Agrarias
journal_title_str	Revista de la Facultad de Ciencias Agrarias
institution_str	I-11
repository_str	R-107
language	spa
format	Online
author	Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis
spellingShingle	Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión análisis multivariado MULTISPATI-PCA PCA multivariate analysis MULTISPATI-PCA PCA
author_facet	Córdoba, Mariano Balzarini, Mónica Bruno, Cecilia Costa, José Luis
author_sort	Córdoba, Mariano
title	Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión
title_short	Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión
title_full	Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión
title_fullStr	Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión
title_full_unstemmed	Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión
title_sort	principal component analysis with georeferenced data an application in precision agriculture
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.
publisher	Facultad de Ciencias Agrarias-UNCuyo
publishDate	2022
url	https://revistas.uncu.edu.ar/ojs3/index.php/RFCA/article/view/6238
topic	análisis multivariado MULTISPATI-PCA PCA multivariate analysis MULTISPATI-PCA PCA
topic_facet	análisis multivariado MULTISPATI-PCA PCA multivariate analysis MULTISPATI-PCA PCA
work_keys_str_mv	AT cordobamariano principalcomponentanalysiswithgeoreferenceddataanapplicationinprecisionagriculture AT balzarinimonica principalcomponentanalysiswithgeoreferenceddataanapplicationinprecisionagriculture AT brunocecilia principalcomponentanalysiswithgeoreferenceddataanapplicationinprecisionagriculture AT costajoseluis principalcomponentanalysiswithgeoreferenceddataanapplicationinprecisionagriculture AT cordobamariano analisisdecomponentesprincipalescondatosgeorreferenciadosunaaplicacionenagriculturadeprecision AT balzarinimonica analisisdecomponentesprincipalescondatosgeorreferenciadosunaaplicacionenagriculturadeprecision AT brunocecilia analisisdecomponentesprincipalescondatosgeorreferenciadosunaaplicacionenagriculturadeprecision AT costajoseluis analisisdecomponentesprincipalescondatosgeorreferenciadosunaaplicacionenagriculturadeprecision
_version_	1800220949125005312

Análisis de componentes principales con datos georreferenciados Una aplicación en agricultura de precisión

Ejemplares similares