Influencia de la maquinaria agrícola sobre la variabilidad espacial de la compactación del suelo. Aplicación de la metodología geoestadística-fractal

El cultivo de la caña de azúcar es uno de los más importantes en muchos países del mundo. Los suelos dedicados a este cultivo son usualmente compactados por el tránsito de la maquinaria en el proceso de cosecha. El uso combinado de la geoestadística con el análisis fractal ha demostrado ser útil para el estudio de los mismos. El objetivo del trabajo fue determinar los cambios espaciales de la resistencia a la penetración del suelo debido a la influencia del tránsito de la maquinaria en el proceso de cosecha de la caña de azúcar en un Vertisol, aplicando la metodología geoestadística-fractal. La investigación se llevó a cabo en el período de cosecha 2008-2009. Se evaluó la resistencia a la penetración en dos momentos, antes y después de la cosecha. El muestreo se realizó sistemáticamente en cuadrícula y en transecto, seleccionando 144 y 100 observaciones antes y después de la cosecha, respectivamente, y 221 para el transecto en diagonal. También se determinó el contenido de humedad del suelo por el método gravimétrico, para lo que se tomaron 288 muestras aleatorias en todo el campo. Los resultados demuestran que los valores de resistencia a la penetración (RP) presentaron una distribución normal a partir de los 5 cm de profundidad, el tránsito de la maquinaria agrícola para la cosecha de la caña de azúcar provocó concentración de la variabilidad espacial a escalas inferiores a la del muestreo (el efecto pepita aumentó), un aumento del rango de correlación espacial y una redistribución de las zonas de compactación (las variaciones de los mapas de Krigeaje). También indujo anti-persistencia y anisotropía en algunas direcciones horizontales. Se observó un comportamiento irregular de (RP) verticalmente en el transecto, donde no solamente influyó la maquinaria, sino que también otros factores influyeron como: la hilera, borde de la hilera y grietas. ABSTRACT The cultivation of the cane of sugar is one of the most important in many countries of the world. The soils dedicated to this cultivation are usually compacted by the traffic of the machinery in the harvest process. The combined use of the geostatistics with the fractal analysis has demonstrated to be useful for the study of the same ones. The objective of the work was to determine the space changes from the resistance to the penetration of the floor due to the influence of the traffic of the machinery in the harvest process of harvest of the cane of sugar in a Vertisol applying the geostatistic-fractal methodology. The investigation was carried out in the period of harvest 2008-2009. The resistance to the penetration at two moments was evaluated, before and after the harvest. The sampling was realized systematically in grid and transect, selecting 144 and 100 observations before and after the harvest, respectively, and 221 for transect in diagonal. Also the soil moisture content of the ground by the gravimetric method was determined, so 288 random samples in the entire field were taken. The results shown that resistance to penetration values presented a normal distribution deeper than 5 cm before and after harvest. The transit of the agricultural machinery for sugar cane harvest concentrated the space variability at lower distances than the sampling one, reflected an increase in the nugget effect. At the same time, an increase space correlation rank and a redistribution of compaction areas were observed studying the variations in kriging maps. Another effect of the agricultural machinery transit was to induce antipersistence and anisotropy in some horizontal directions. However, in vertical direction of the longest transect an irregular behaviour was induced not only by the machinery as by another factors such as soil cracks, crop rows and allocation.

Linear latent force models using Gaussian Processes

Purely data-driven approaches for machine learning present difficulties when data are scarce relative to the complexity of the model or when the model is forced to extrapolate. On the other hand, purely mechanistic approaches need to identify and specify all the interactions in the problem at hand (which may not be feasible) and still leave the issue of how to parameterize the system. In this paper, we present a hybrid approach using Gaussian processes and differential equations to combine data-driven modeling with a physical model of the system. We show how different, physically inspired, kernel functions can be developed through sensible, simple, mechanistic assumptions about the underlying system. The versatility of our approach is illustrated with three case studies from motion capture, computational biology, and geostatistics.