Академический Документы
Профессиональный Документы
Культура Документы
14 de octubre de 2015
Elevacion: Es la profundidad del suelo, tambien entiendase como la altura a la que fue hecha
la medicion.
Horizonte: (Hodgson, 1987) Son niveles en el interior del suelo mas o menos paralelos a la
superficie. Se distinguen unos de otros por diferencias en granulometra de las partculas,
color, estructura, contenido de materia organica, pedregosidad u otras propiedades refe-
rentes a la plantacion. Clasicamente, se distingue en los suelos completos o evolucionados
tres horizontes fundamentales que desde la superficie hacia abajo son:
Horizonte O, o capa superficial del horizonte A: es la parte mas superficial del suelo,
formado por hojas, ramas y restos vegetales.
Horizonte A, o zona de lavado vertical: es el mas superficial y en el enraza la vegeta-
cion herbacea. Su color es generalmente oscuro por la abundancia de materia organica
descompuesta o humus elaborado, determinando el paso del agua arrastrandola hacia
abajo, de fragmentos de tamano fino y de compuestos solubles.
Horizonte B o zona de precipitado: carece practicamente de humus, por lo que su color
es mas claro (pardo o rojo), en el se depositan los materiales arrastrados desde arriba,
principalmente, materiales arcillosos, oxidos e hidroxidos metalicos, etc., situandose
en este nivel los encostramientos calcareos aridos y las corazas laterticas tropicales.
Horizonte C o subsuelo: esta constituido por la parte mas alta del material rocoso
in situ, sobre el que se apoya el suelo, mas o menos fragmentado por la alteracion
mecanica y la qumica, pero en el aun puede reconocerse las caractersticas originales
del mismo.
Horizonte D, horizonte R, roca madre o material rocoso: es el material rocoso subya-
cente que no ha sufrido ninguna alteracion qumica o fsica significativa.
1
CE: (MESECHUP) Conductividad electrica procedente del exceso de sales solubles en el suelo,
debido a problemas de drenaje y a la accion de riegos continuados, seguidos de evaporacion
y sequa.
Materia Organica: (Hodgson, 1987) Son las partculas que preceden de las plantas, animales
o los microorganismos que habitan en o sobre el suelo.
Humedad: Se denomina humedad del suelo a la cantidad de agua por volumen de tierra que
hay en un terreno.
Figura 1: Area de estudio de la parcela en Ambalema, Tolima, las 38 estrellas representan los
lugares donde se realizo el proceso de recoleccion. (Tomado de Google maps 2015)
2. Analisis Exploratorio.
Con la informacion de las variables Elevacion, CE (conductividad electrica), densidad apa-
rente, pH, materia organica, nitrogeno, fosforo, humedad y produccion medidas en una parcela
de Ambalema, Tolima (figura 1), se realizo un analisis exploratorio de los datos. Los resultados
de describen a continuacion: En primera instancia, se evidencia en el diagrama de cajas (figura
2) y en el histograma (figura 2) que, a excepcion de las variables Elevacion, CE (conductividad
electrica) y materia organica, no existe un comportamiento simetrico en los datos. Se observa
tambien en estas figuras que no hay muchos comportamientos atpicos, exceptuando la varia-
ble materia organica, nitrogeno y pH. Lo descrito anteriormente evidencia la alta variabilidad
2
o los errores de medicion de los datos, sin embargo puede verse como una caracterizacion del
comportamiento espacial de las variables dentro de la naturaleza. La asimetria en la mayora
de las variables refleja que en toda la zona las condiciones del suelo difieren significativamente;
algunos sitios especficos donde las caractersticas del suelo son afectados por factores externos
como la Via Ambalema-Convenio (figura 1) son reflejados en los valores atpicos. El cuadro 1,
2
Medida Estandarizada
1
0
1
2
3
Variable
3
Medida Elevacion CE Dens. pH Materia Nitrogeno Fosforo Hum. Prod.
Media 250.79 0.64 1.16 6.90 4.08 0.11 5.86 71.50 20.55
Mediana 250.80 0.64 1.19 6.90 4.04 0.11 6.00 71.00 20.00
Minimo 251.76 0.73 1.31 7.30 4.70 0.19 7.00 80.00 27.00
Maximo 249.90 0.43 0.99 6.63 3.71 0.01 4.50 60.00 16.00
Cuartil
Inferior 250.43 0.60 1.10 6.79 3.97 0.09 5.48 70.00 18.00
Cuartil
Superior 251.07 0.67 1.21 6.98 4.12 0.14 6.18 75.00 22.75
Desviacion
Estandar 0.48 0.06 0.07 0.15 0.23 0.04 0.63 4.48 2.84
Coeficiente
de Variacion 0.00 0.09 0.06 0.02 0.06 0.38 0.11 0.06 0.14
4
Histograma de Elevacion Histograma de CE Histograma de Densidad_Aparente
6
Density
Density
Density
0.6
3
0.0
0
250.0 250.5 251.0 251.5 0.40 0.50 0.60 0.70 1.0 1.1 1.2 1.3
Elevacion CE Densidad_Aparente
Density
Density
0.0 1.5
10
0.0
0
6.6 6.8 7.0 7.2 3.6 3.8 4.0 4.2 4.4 4.6 4.8 0.00 0.05 0.10 0.15 0.20
pH Materia_Organica Nitrogeno
5
0.15
0.06
Density
Density
Density
0.4
0.00
0.00
0.0
*
4.819
* *
* * *
* * *
4.818
* *
252.0
* * ** * * * *
* * *
Coord Y
* * **
251.5
* * * * *
*** * *
* * **** * *
4.817
Elevacin
* * ** * * * * * *
251.0
*
Coord Y
* * * * * *
* *
* * 4.820
*
* *
250.5
* 4.819
* *
4.816
4.818
250.0
4.817
* *
4.816
* *
249.5
4.815
6
Variables p.Mantel p.Moran
1 Elevacion 0.001 1.05857544951959e-10
2 CE 0.205 0.779537341401027
3 Densidad Aparente 0.197 3.40902972739698e-07
4 pH 0.583 0.513951125023155
5 Materia Organica 0.213 0.000443171615795768
6 Nitrogeno 0.279 0.11353441663189
7 Fosforo 0.693 5.27499652669405e-06
8 Humedad 0.423 0.000582053041843666
9 Produccion 0.451 0.00269298387522299
Cuadro 3: p-valores para el test de Mantel y el Test de Moran para las variables observadas en
la parcela en Ambalema, Tolima.
constante, esto se debe a que ajustando en mejor modelo de regresion (en terminos del AIC)
= 26399,7474 + 337,9590X 182,5484Y , los residuales son homocedasticos bajo una prueba
Ele
de autocorrelacion de Durbin Watson, esto supone que los errores son independientes y por ende
no tienen autocorrelacion, por lo que para la variable Elevacion se asume tendencia constante.
Para la variable Densidad Aparente, el modelo Den = 1686,01 25,23X 41,34Y presenta
residuales autocorrelacionados, as que en esta variable se ajustara un modelo de primer orden
(lineal). Para la variable Fosforo, el modelo Fos = 23306,1 + 311,6X tiene las mismas carac-
tersticas que el caso de la variable Densidad Aparente, por lo que se asume tendencia de primer
orden. En los semivariogramas en cuatro direcciones (figura 3) hay presencia de anisotropia, esto
en gran medida en los graficos (b) y (c), por lo que un buen tratamiento de este problema es
plantear un semivariograma omnidireccional o independiente de la direccion. Como se observa
en la figura 3 hay una correlacion espacial, ya que ninguna de las graficas tiene forma constante,
por lo que es plausible un analisis espacial. Se ajusto un modelo wave o onda a los semivario-
gramas empricos (figura 7(c)) se puede observar en (a) que a medida que aumenta la distancia
en el espacio, la semivarianza va aumentando, esto implica la ausencia de silla y rango. en (b) y
(c) tenemos el denominado efecto hueco esto debido a que se puede notar una periodicidad en
los valores de los datos, analticamente se puede interpretar como una variacion de zonas ricas y
pobres de Fosforo y zonas variables de Densidad, la causa puede sur debido al follaje en la zona
y la influencia en la carretera que hace variar los indices. Para finalizar se presentan los mapas
de prediccion, estos se pueden ver en la figura 3
Referencias
[1] Giraldo, R. (2011). Estadstica Espacial: Notas de Clase. Universidad Nacional de Colombia,
Bogota, Colombia
7
Codigo en R
####### <Estadistica Espacial, Taller Pre-parcial> #######
rm(list=ls(all=TRUE))
###### <Lectura y analisis Descriptivo de los Datos> ######
setwd("R/Script R/Estadistica Espacial")
Data<-read.table("DatosGeodatabaseSuelos.txt",head=TRUE,sep="\t",dec=",")
Data<-data.frame(Data[,-4])
Names<-colnames(Data)
##### <Histogramas de las Variables> #####
par(mfrow=c(3,3))
for(i in 1:(length(Names)-2)){
h<-hist(Data[,(i+2)],xlab=Names[(i+2)],main=paste("Histograma de",Names[(i+2)]),freq=FALSE)
lines(density(Data[,(i+2)]),col="red")
}
##### <Grafico de cajas y bigotes> #####
Scale<-scale(Data[,3:11])
colnames(Scale)<-c("Elevacion","CE","Densidad","pH","Materia",
"Nitrogeno","Fosforo","Humedad","Produccion")
x11()
boxplot(Scale,xlab="Variable",ylab="Medida Estandarizada",cex.axis=0.7)
##### <Medidas de localizacion> #####
Medida<-c("Media","Mediana","Minimo","Maximo","Cuartil Inferior",
"Cuartil Superior","Desviacion Estandar","Coeficiente de Variacion")
media<-apply(Data[,3:11],2,mean)
mediana<-apply(Data[,3:11],2,median)
maximo<-apply(Data[,3:11],2,max)
minimo<-apply(Data[,3:11],2,min)
Cuartil25<-apply(Data[,3:11],2,quantile,prob=0.25)
Cuartil75<-apply(Data[,3:11],2,quantile,prob=0.75)
Desviacion<-apply(Data[,3:11],2,sd)
CVariacion<-Desviacion/abs(media)
Loc<-rbind(media,mediana,maximo,minimo,Cuartil25,Cuartil75,Desviacion,CVariacion)
rownames(Loc)<-Medida
library(xtable)
xtable(Loc)
##### <Matriz de Correlacion> #####
library(MASS)
Corr<-round(cor(Data[,3:11]),2)
xtable(Corr)
###### <Lectura y analisis Espacial de los Datos> ######
##### <Grafico de Coordenadas> #####
plot(Data$X,Data$Y,xlab="Coord X",ylab="Coord Y", pch="*",
main="Georeferenciacion de las\nObservaciones (X,Y)",col="brown")
library(scatterplot3d)
scatterplot3d(Data[,1:3],pch="*",type="h",color="brown",
main="Georeferenciacion de las\nObservaciones (X,Y,h)",cex.axis = 0.3,box=F,xlab="Coord X",
###### <Test para Autocorrelacion Espacial> ######
library(ape)
8
distancia<-as.matrix((dist(Data[,1:2]))^2)
##### <Test de Mantel> #####
p<-numeric()
for(i in 3:11){
distancia.el<-as.matrix(dist(Data[,i]))
p[i]<-mantel.test(distancia,distancia.el)$p
}
p
##### <Test de Moran> #####
w<-1/distancia
diag(w)<-0
p.val<-numeric()
for(i in 3:11){
p.val[i]<-Moran.I(Data[,i],w)$p.value
}
p.val
# Selecciono solo las variables 3, 5, 9 por el test de Moran
Names[c(3,5,9)]
Test<-cbind(Variables=Names[3:11],p.Mantel=p[3:11],p.Moran=p.val[3:11])
xtable(Test)
#### <Diagramas de dispersion respecto a las coordenadas> ####
for(i in c(3,5,9)){
par(mfrow=c(1,2))
plot(Data$X,Data[,i],xlab="Coord X",ylab=Names[i],pch=16)
plot(Data$Y,Data[,i],xlab="Coord Y",ylab=Names[i],pch=16)
x11()
}
#### <Grafico de Cuartiles para algunas variables> ####
par(mfrow=c(2,2))
for(i in c(3,5,9)){
QData<-Data[order(Data[,i]),c(1,2,i)]
Qi<-quantile(QData[,3])
plot(Data$X,Data$Y,type="n",ylab="Coord Y",xlab="Coord X",main=Names[i])
points(QData[(QData[,3]<=Qi[2]),1:2],col="red",pch=1)
points(QData[(QData[,3]>Qi[2]&QData[,3]<=Qi[3]),1:2],col="blue",pch=2)
points(QData[(QData[,3]>Qi[3]&QData[,3]<=Qi[4]),1:2],col="green",pch=17)
points(QData[(QData[,3]>Qi[4]&QData[,3]<=Qi[5]),1:2],col="yellow",pch=16)
legend("bottomleft",legend=c(paste(round(Qi[1],2),"a",round(Qi[2],2)),
paste(round(Qi[2],2),"a",round(Qi[3],2)),
paste(round(Qi[3],2),"a",round(Qi[4],2)),paste(round(Qi[4],2),"a",round(Qi[5],2))),
bty="n",
pch=c(1,2,17,16),col=c("red","blue","green","yellow"))
x11()
}
###### <Correccion de Tendencia> ######
library(lmtest)
Coord.Reg<-cbind(X=Data$X,Y=Data$Y,XY=(Data$X*Data$Y),X2=Data$X^2,Y2=Data$Y^2)
Coord.Reg<-data.frame(Coord.Reg)
Varia.Reg<-cbind(Data[,3:11])
9
attach(Coord.Reg)
attach(Varia.Reg)
Regmod.El1<-lm(Elevacion~X+Y+I(X*Y)+I(X^2)+I(Y^2)+I(X*(Y^2))+I(Y*(X^2)))
summary(Regmod.El1)
Regmod.El2<-stepAIC(Regmod.El1,scope=list(upper=Regmod.El1$formula,lower=~1),
direction="both")
summary(Regmod.El2)
dwtest(Elevacion~X+Y)
Regmod.Den1<-lm(Densidad_Aparente~X+Y+I(X*Y)+I(X^2)+I(Y^2)+I(X*(Y^2))+I(Y*(X^2)))
summary(Regmod.Den1)
Regmod.Den2<-stepAIC(Regmod.Den1,scope=list(upper=Regmod.Den1$formula,lower=~1),
direction="both")
summary(Regmod.Den2)
dwtest(Densidad_Aparente~X+Y)
Regmod.F1<-lm(Fosforo~X+Y+I(X*Y)+I(X^2)+I(Y^2)+I(X*(Y^2))+I(Y*(X^2)))
summary(Regmod.F1)
Regmod.F2<-stepAIC(Regmod.F1,scope=list(upper=Regmod.F1$formula,lower=~1),
direction="both")
summary(Regmod.F2)
dwtest(Fosforo~X)
###### <Ajuste de Variograma y correccion de tendencia> ######
library(geoR)
par(mfrow=c(1,2))
GeoData<-as.geodata(Data[,c(1,2,3)])
var.clas4<-variog4(GeoData,trend="cte")
var.cres4<-variog4(GeoData,trend="cte",estimator.type = "modulus")
plot(var.clas4,legend=F)
title(paste(Names[3],"Clasico"))
legend("topleft",legend=c("0o","45o ","90o ","135o "),
col=c("black","red","blue","dark green"),
lty=c(1,2,3,4),lwd=2,bty="n")
plot(var.cres4,legend=F)
title(paste(Names[3],"Robusto"))
legend("topleft",legend=c("0o","45o ","90o ","135o "),
col=c("black","red","blue","dark green"),
lty=c(1,2,3,4),lwd=2,bty="n")
x11()
par(mfrow=c(1,2))
GeoData<-as.geodata(Data[,c(1,2,5)])
var.clas4<-variog4(GeoData,trend="1st")
var.cres4<-variog4(GeoData,trend="1st",estimator.type = "modulus")
plot(var.clas4,legend=F)
title(paste(Names[5],"Clasico"))
legend("topleft",legend=c("0o","45o ","90o ","135o "),
10
col=c("black","red","blue","dark green"),
lty=c(1,2,3,4),lwd=2,bty="n")
plot(var.cres4,legend=F)
title(paste(Names[5],"Robusto"))
legend("topleft",legend=c("0o","45o ","90o ","135o "),
col=c("black","red","blue","dark green"),
lty=c(1,2,3,4),lwd=2,bty="n")
x11()
par(mfrow=c(1,2))
GeoData<-as.geodata(Data[,c(1,2,9)])
var.clas4<-variog4(GeoData,trend="1st")
var.cres4<-variog4(GeoData,trend="1st",estimator.type = "modulus")
plot(var.clas4,legend=F)
title(paste(Names[9],"Clasico"))
legend("topleft",legend=c("0o","45o ","90o ","135o "),
col=c("black","red","blue","dark green"),
lty=c(1,2,3,4),lwd=2,bty="n")
plot(var.cres4,legend=F)
title(paste(Names[9],"Robusto"))
legend("topleft",legend=c("0o","45o ","90o ","135o "),
col=c("black","red","blue","dark green"),
lty=c(1,2,3,4),lwd=2,bty="n")
###### <Semivariograma omnidireccional> ######
GeoData.El<-as.geodata(Data[,c(1,2,3)],coords.col = 1:2, data.col = 3)
var.el<-variog(GeoData.El,estimator.type = "modulus",
max.dist=0.003)
ModEle<-eyefit(var.el)
title(Names[3])
par(mfrow=c(1,2))
KC.El<-krige.control(obj.model = ModEle)
KrigE<-krige.conv(GeoData.El,loc=loci,krige=KC.El)
image(KrigEl,col=gray(seq(1,0.1,l=30)))
11
title("Mapa de Prediccion para Elevacion")
image(KrigEl,value = sqrt(KrigEl$krige.var))
title("Mapa de error para Elevacion")
par(mfrow=c(1,2))
KC.Den<-krige.control(obj.model = ModDen)
KrigDen<-krige.conv(GeoData.Den,loc=loci,krige=KC.Den)
image(KrigDen,col=gray(seq(1,0.1,l=21)))
title("Mapa de Prediccion para\nDensidad Aparente")
image(KrigDen,value = sqrt(KrigDen$krige.var))
title("Mapa de error para\nDensidad Aparente")
par(mfrow=c(1,2))
KC.Fos<-krige.control(obj.model = ModFos)
KrigFos<-krige.conv(GeoData.Fos,loc=loci,krige=KC.Fos)
image(KrigFos,col=gray(seq(1,0.1,l=21)))
title("Mapa de Prediccion para Fosforo")
image(KrigFos,value = sqrt(KrigFos$krige.var))
title("Mapa de error para Fosforo")
12
251.5
251.5
251.0
251.0
Elevacion
Elevacion
250.5
250.5
250.0
250.0
74.7725 74.7715 74.7705 4.816 4.817 4.818 4.819
Coord X Coord Y
(a) Elevacion
1.30
1.30
Densidad_Aparente
Densidad_Aparente
1.20
1.20
1.10
1.10
1.00
1.00
Coord X Coord Y
7.0
6.5
6.5
6.0
6.0
Fosforo
Fosforo
5.5
5.5
5.0
5.0
4.5
4.5
Coord X Coord Y
(c) Fosforo
Figura 5: Graficos de dispersion de las variables Elevacion, Densidad Aparente y Fosforo respecto
a las coordenadas geograficas tomadas en la parcela de Ambalema, Tolima
13
Elevacion Clasico Elevacion Robusto Densidad_Aparente Clasico Densidad_Aparente Robusto
45 45 45 45
0.006
90 90 90 90
1.5
semivariance
semivariance
semivariance
0.004
0.6
1.0
0.4
0.002
0.5
0.2
0.000
0.0
0.0
0.000 0.001 0.002 0.003 0.000 0.001 0.002 0.003 0.000 0.001 0.002 0.003 0.000 0.001 0.002 0.003
0 0
0.8
45 45
0.6
90 90
135 135
0.5
0.6
semivariance
semivariance
0.4
0.4
0.3
0.2
0.2
0.1
0.0
0.0
distance distance
(c) Fosforo
Figura 6: Semivariogramas para direcciones diferentes de las variables Elevacion, Densidad Apa-
rente y Fosforo observadas en la parcela de Ambalema, Tolima
14
Elevacion Densidad_Aparente
0.8
0.004
0.6
semivariance
semivariance
0.4
0.002
0.2
0.000
0.0
distance distance
Fosforo
0.4
semivariance
0.3
0.2
0.1
0.0
distance
(c) Fosforo
Figura 7: Ajuste de modelos de semivariograma para las variables Elevacion, Densidad Aparente
y Fosforo observadas en la parcela de Ambalema, Tolima
15
Mapa de Prediccin para Mapa de error para
Densidad Aparente Densidad Aparente
4.819
4.819
4.818
4.818
Y Coord
Y Coord
4.817
4.817
4.816
4.816
X Coord X Coord
4.819
4.818
4.818
Y Coord
Y Coord
4.817
4.817
4.816
4.816
X Coord X Coord
(b) Fosforo
Figura 8: Mapas de prediccion y de errores para las variables Densidad Aparente y Fosforo
obsevadas en la parcela de Ambalema, Tolima.
16