jose luis game ro sara iza
TRANSCRIPT
Universidad Tecnológica de la Costa
División de Ingeniería Ciencia y Tecnología
Sistematización de Procesos para la Clasificación de Texturas en el Análisis de
Suelos con Fines de Optimizar su uso Agrícola
TESIS
Que para obtener el título de:
INGENIERO EN TECNOLOGÍAS DE LA INFORMACIÓN Y
COMUNICACIÓN
Presenta:
JOSÉ LUIS GAMEROS ARAIZA
Directora de Tesis
Dra. Irma Julieta González Acuña
Santiago Ixcuintla, Nayarit, México. Junio de 2011
D
irectora de
Tesis D
ra. Irma Julieta
ii
iii
Dedicatoria
A Dios, por iluminar mi camino rodeándome con personas de las que puedo aprender, y
con quienes puedo contar.
A mi mamá Maru, quien siempre deposita en mí esa fe incondicional.
A mi mamá Ramona, por haberme criado durante tantos años.
A mi mamá Concha, quien me enseñó hasta los ultimos instantes de su vida, lo que es el
amor, el cariño y el perdón.
A mis hermanos Daniel y Luis.
A Lilian, que tiene un corazón inmenso y con este me ha acompañado en las buenas,
malas y las peores.
iv
Agradecimientos
Asesora Empresarial y Directora de Tesis
Doctora Irma Julieta González Acuña, por haberme dado la oportunidad de realizar mi
estadía y formar parte de sus proyectos, además de haberme enseñado tanto en el aspecto
profesional como personal.
Maestra
L.I. Janitzín Cárdenas Castellanos por su amistad y sus atenciones, que describen tal cual,
la vocacion de un verdadero maestro.
Asesor Académico
M.T.E. Leonardo Hernández Peña, por sus acertadas observaciones en la revisión del
documento de tesis.
Tutor de Carrera
M.C.E. Héctor Hugo Domínguez Jaime, por su compromiso y dedicación que fueron
fundamentales en mi desarrollo profesional.
Director de Carrera
Lic. Vladimir Iván Gutiérrez Morales por su tolerancia y compromiso.
Director de INIFAP
M.C. Luis Enrique Fregoso Tirado, por haberme permitido desarrollar mi estadía dentro
de las instalaciones del campo.
Personal de INIFAP
Por la hospitalidad brindada a lo largo de mi estadía.
Familia
Mi madre y mi abuela, que estuvieron siempre al pendiente. Mi abuelo y mi padre, que
me enseñaron a conducir en el transcurso de mi estadía.
v
Resumen
La investigación, como parte de la estadía en el CESIX-INIFAP, aplicó a las
Tecnologías de la Información y Comunicación de manera interdisciplinaria con el
Laboratorio de Suelos y la Agricultura, en la búsqueda de soluciones sustentables. El
objetivo general fue sistematizar procesos para identificar texturas en el Laboratorio y
optimizar su uso agrícola; los específicos, 1) proponer un modelo matemático
automatizado (Mac) eficiente para clasificar texturas (Tx) y, 2) un modelo espacial para
asociar la textura con el cultivo. Se diseñó un algoritmo, donde se comprendió la textura
como la suma de porcentajes de arena (A), arcilla (R) y limo (L), que combinados en
diferentes rangos, según triángulo de texturas, generan 12 posibles clases. Las variables
básicas fueron cuatro lecturas analíticas: 1) primera lectura registrada en el hidrómetro de
Bouyoucos, sobre arcilla y limo, 2) temperatura de la primera lectura, 3) segunda lectura,
sobre arcilla, 4) su temperatura. La regla de decisión fue: %A=100-(A+L). MacTx se
programó en Excel y se comparó estadísticamente (p=0.05) con otros dos modelos
externos. El modelo espacial se generó utilizando información geográfica digital del
CESIX-INIFAP, agrupando texturas de suelos asociadas a cultivos. MacTx-Lab-CESIX-
INIFAP-2011 fue mejor con error de 4.7% (p=0.0035) y 61% más eficiente que los otros
dos MacTx, similares con error de 12% (p=0.05). Así, MacTx propuesto es una
alternativa en el laboratorio de suelo. El mapa de grupos de texturas permitió identificar
áreas con potencial natural para determinado cultivo, y es de utilidad para planeación y
toma de decisiones en la agricultura.
Palabras Clave: Tecnologías de Información, Laboratorios de Suelo, Agricultura,
Modelos Matemático y Cartográfico.
vi
Abstract
The Research, as part of the stay in the CESIX-INIFAP, applied to the
Information and Communication Technology in an interdisciplinary way with the
Laboratory of Soil and Agriculture, for sustainable solutions. The general objective was
to systematize processes to identify textures in the Laboratory for optimum agricultural
use. The specific objectives, 1) propose an automated and efficient mathematical model
to classify soil textures (MacTx), and 2) a spatial model to associate soil texture with the
crop. An algorithm was designed, where the texture concept was: the sum of percentages
of sand (A), Clay (R) and silt (L), which combined according to textures triangle it
generates 12 categories. The basic variables were four analytical reading: 1) first reading
recorded in the Bouyoucos hydrometer, on clay and silt, 2) temperature of the first
reading, 3) second reading o clay and 4) its temperature. The decision rule was: %A=100-
(A+L). MacTx was programmed in Excel and it was compared statistically (p=0.05) with
two external models. Using digital geographic information from CESIX-INIFAP and
grouping soil textures according to crops the spatial model was generated. MacTx-Lab-
CESIX-INIFAP-2011 with an error of 4.7% (p=0.0035) was better than the other two
models, which statistically showed similar 12% error. Therefore, MacTx designed is an
alternative in the Laboratory of Soil. With map of soil texture groups, was possible to
identify areas with natural potential for specific crops. Thus, this map is useful for
planning and decision making in agriculture.
Keywords: Technology Information, Laboratory of Soil, Agriculture, Mathematics and
Cartography Models.
vii
Índice General
Resumen………………………………………….……………………………….
Abstract...................................................................................................................
Índice de Figuras……………………………….…………………………………
Índice de Tablas..…………………………………………………………………
Introducción………….………………………………………………..….………
I. Planteamiento del Problema…………………………………...……….…….
Limitaciones………………………………………………………………….
Delimitaciones………………………………………………………………..
II. Preguntas de Investigación………………………………………..………….
Justificación …..……………….……………………………………………..
iv
v
viii
ix
1
3
3
4
5
6
III. Revisión de Literatura …..………...…………......………………………….
Importancia de las tecnologías de información………………………….........
Importancia de la sistematización de procesos………………………………..
Las tecnologías de información y comunicación como vinculo
interdisciplinario………………………………………………………….
La conceptualización de texturas del suelo y su determinación en
laboratorio………………………………………………………………..
La optimización de la agricultura a través de la textura del suelo..….........….
8
8
9
11
13
15
IV. Objetivos.…..…………………….…………………….…….……….……...
17
Objetivo general………………….…………….....……………..…………... 17
viii
Objetivos específicos………..…..………………….……...….…..…………. 17
V. Hipótesis….…………….…………………...…………………………..….....
18
Hipótesis general….…..……..…………………………...….............…........ 18
Hipótesis específica………..……………….....………..………….……....... 18
VI. Metodología………….……..………………..…………………….…….......
19
Algoritmo para automatizar la clasificación de textura de suelos…………... 19
Indicador de variables de estudio en la generación del modelo
matemático……………………………………………………………....
20
Procesos para la evaluación del modelo matemático
y análisis estadístico………………………………………….…….…….
23
Análisis estadístico……….……………………………………………. 25
Generación del modelo espacial sobre texturas de suelo y su
relación con la agricultura….......................................................................
26
VII. Resultados y Discusión…..……………….…………………………………
27
Modelo generado para automatizar la clasificación de texturas……………… 27
Evaluación del modelo ya generado para automatizar la clasificación de
texturas…………………….………………………………………...........
Modelo espacial de las texturas de suelo y su asociación con la
agricultura………………………………………………………………...
Vinculación inter disciplinaria del laboratorio de suelo, la agricultura y
tecnologías de la información……………………………………….…....
34
35
38
VIII. Conclusiones……………………….…………….........................................
IX. Recomendaciones……………………………………………………………..
40
42
Referencias Bibliográficas …………….…………….……………………...……
43
ix
Índice de Figuras
Figura 1.
Triángulo de texturas para clasificar tipos de suelo según su
proporción de partículas: arena, limo y arcilla. Fuente: Castellanos et
al. (2000)..…………………….………………………………………
14
Figura 2.
Esquema del algoritmo que se diseñó para la generación del modelo
automatizado de clasificación de texturas…………………………....
21
Figura 3.
Análisis estadístico de los modelos evaluados para automatizar la
clasificación de textura de suelos..……………………..………....….
35
Figura 4.
Mapa de grupos de textura de suelo en el municipio de Compostela,
Nayarit...…………………………………..……………......................
37
x
Índice de Tablas
Tabla 1.
Clasificación de las texturas del suelo en grupos texturales.………....
26
Introducción
En todas las empresas o sectores productivos existen diferentes situaciones que
requieren de estudios que propongan soluciones a sus necesidades. Está documentado
(Bunge, 1995; González, 2010) que en dichos estudios, el enfoque sistémico es
conveniente debido a que impone un carácter interdisciplinario, el cual asume la
participación de conocimientos complejos, aparentemente diferenciados, pero que en su
conjunto generan coherencia en las formulaciones teóricas y en las derivaciones prácticas
que dan respuestas a las demandas de la empresa en conexión con su entorno.
A partir de esta perspectiva, la presente investigación desarrolla la tesis de que en
el enfoque de sistemas cada vez es más trascendente que en la resolución de problemas de
diversas áreas, se integren disciplinas como Tecnologías de la Información y
Comunicación (TIC). De manera particular, en este estudio se demuestra cómo es que
dentro de los sectores productivos, las TIC vinculan al Laboratorio de Suelos y a la
Agricultura. Asimismo se constata cómo es que el todo emerge con más fuerza cuando
las partes se complementan y adoptan una actitud sinérgica.
El estudio se realizó como parte de la estancia del presente tesista, de enero a
mayo de 2011, en el área del Laboratorio de suelos dentro del Campo Experimental
Santiago Ixcuintla (CESIX), perteneciente al Instituto Nacional de Investigaciones
Forestales, Agrícolas y Pecuarias (INIFAP), ubicado en el municipio de Santiago
Ixcuintla, Nayarit, México, en el km 6 del entronque de la carretera internacional Tepic-
Mazatlán. Lo anterior fue posible gracias a que además de generar conocimiento e
innovaciones tecnológicas en beneficio de la sociedad agropecuaria, el INIFAP también
tiene entre sus objetivos el apoyo a la formación de recursos humanos a través del
desarrollo de estancias para fomentar las habilidades y creatividad en investigación de
personal próximo a egresar o egresados, al mismo tiempo que se impulsa su titulación
bajo este esquema, lo cual propicia la experiencia profesional y coadyuva al liderazgo.
2
El documento se presenta en nueve capítulos, los cuales se describen a
continuación: El primero es Planteamiento del problema, donde se expone la situación
que afecta a la agricultura en relación con el laboratorio de suelo, así como si existieron o
no limitaciones en la formulación de la problemática y su alcance. En un segundo
capítulo denominado Preguntas de Investigación, se abordan las interrogantes que
direccionan la investigación, así como la justificación del estudio. En un tercer capítulo
denominado Revisión de Literatura, se abordan temas que permitieron establecer un
marco conceptual y teórico para la comprensión y explicación del proyecto. Acorde a los
lineamientos del formato de tesis se presenta en cuarto capítulo a los Objetivos de la
presente investigación. De manera que bajo dicho esquema, el quinto capítulo concierne a
las Hipótesis, donde se enuncian las respuestas probables al problema planteado. El sexto
capítulo se refiere a la Metodología, donde se explica lo que se hizo y cómo se hizo; es
decir el camino que se siguió al intentar solucionar el problema: los métodos, técnicas y
entre otros las variables utilizados para verificar, contrastar o diferir la hipótesis. En la
sepyima sección, Resultados y discusión, se exponen los resultados obtenidos, así como
su interpretación, explicación, comparación con otros estudios relacionados y el análisis
de si los resultados resuelven o no el problema. Mientras que en la octava sección de
Conclusiones, se generalizaron las lecciones aprendidas y se puntualizaron los logros
obtenidos según los objetivos. Un noveno capítulo, de Recomendaciones, permitió
exteriorizar acciones convenientes no solo a partir de los resultados obtenidos en la
investigación, sino también del proceso de estadía estudiantil, como acciones que pueden
fortalecer y mejorar a futuro la comprensión del proceso de investigación.
3
I. Planteamiento del problema
La presente investigación emerge por la demanda y necesidad de soluciones
sustentables a una problemática común que atañe a dos sectores: el Agrícola y el
Laboratorio de Suelos. Por un lado, la agricultura, siendo una de las actividades más
relevantes, tiene el problema de que los rendimientos y la rentabilidad de los cultivos han
disminuido debido en gran parte al deterioro del suelo y a las prácticas agrícolas que
realizan los productores; de manera que una de las estrategias para el uso y manejo
agronómico adecuado de los cultivos es conocer cuáles son las condiciones de los
terrenos. Para ello se realizan muestreos de suelo y su análisis en laboratorio.
En el Laboratorio de Suelos es posible el diagnostico de diversas variables como
la textura, la cual representa a las partículas que hay en el suelo, que pueden ser de tres
tipos: arena (A), que son las partículas más gruesas; limo (L), que son partículas de
tamaño intermedio; y arcillas (R), que son las más finas. Estas se encuentran combinadas
en diferentes proporciones y es lo que define las diferentes clases de textura del suelo. De
acuerdo con Castellanos, Uvalle y Aguilar (2000) esta variable es importante en la
agricultura pues en función de ella se decide sobre el laboreo de las tierras, así como de la
cantidad y disponibilidad de agua y nutrimentos. Por lo anterior, la exactitud y eficiencia
en la determinación de la textura del suelo es una condición intrínseca a cualquier
laboratorio. Sin embargo, el método analítico para una sola muestra requiere de varias
lecturas y cálculos, además de identificar visualmente la clasificación a través de un
esquema gráfico denominado Triángulo de texturas donde el suelo puede pertenecer a
una de 12 posibles categorías. Si se considera que se pueden analizar hasta más de 100
muestras por día, el riesgo de error humano aumenta, además de que no se hace un uso
eficiente del tiempo, del personal ni de los recursos económicos.
4
Limitaciones
No se presentaron limitaciones para el planteamiento del problema, pues los
límites conceptuales fueron los requeridos para la identificación y comprensión de la
situación problemática. Además la perspectiva sistémica permitió la interdisciplina, de
manera que lejos de que las Tecnologías de la Información y Comunicación sean una
limitante por ser disciplina completamente diferente a las áreas Agricola y Laboratorio de
Suelo involucradas en la problemática, se integró como una sinergia en la búsqueda de
alternativas sustentables. Por otro lado, debido a que el problema se relacionó con
necesidades de sistematización de procesos, el desarrollo de la estadía e investigación no
requirieron de tiempos y espacios específicos. No obstante, es probable que en magnitud,
el tiempo de estadía, aunque es suficiente para el planteamiento del problema, si no se
ajusta al periodo total de inicio y término de la estadía, pueda ser una limitante para el
desarrollo completo de un programa de investigación.
Delimitaciones
Si bien los datos utilizados en el presente estudio así como los resultados
generados pertenecen a una Empresa, INIFAP, que es donde se desarrolló la estancia y el
presente proyecto de investigación, particularmente en lo que se refiere al modelo
automatizado para clasificar texturas, una vez acreditada la propiedad puede ser utilizado
por cualquier laboratorio. En lo que compete al modelo espacial, es decir la cartografía,
su uso se extiende al área de dónde provienen las muestras de suelo, debido a que los
resultados corresponden a sitios específicos de muestreo, siendo de mayor utilidad para
los extensionistas o agentes de cambio, quienes pueden utilizarla como apoyo al
productor en sugerencias tecnológicas de manejo y diversificación de cultivos.
5
II. Preguntas de Investigación
Con base en la anterior problemática, y tomando en cuenta que el enfoque
sistémico permite una vinculación disciplinaria para interactuar y generar sinergia en las
alternativas de solución (Herrscher, 2005), y además reflexionando sobre las alternativas
de vinculación que ofrece el uso de las Tecnologías de la Información y Comunicación
(Khawlie, Shaban, Abdallah, Darwish y Kawas., 2005; Vilchez, 2010; Sorensen, Pesonen
y Bochtis, Vougloukas y Soumi, 2011; Rakun, Stajnko y Zazula, 2011; Zhang, Jing, Lei,
Ye, Li-hong y Wang, 2011), surgen dentro del presente estudio preguntas de
investigación, las cuales fueron esenciales en la tesis puesto que responderlas se
constituyó posteriormente en los planteamientos hipotéticos. Así, el primer
cuestionamiento generalizado fue:
¿De qué manera las Tecnologías de la Información y Comunicación pueden
vincularse y coadyuvar en la búsqueda de soluciones sustentables a la problemática
planteada en torno a los sectores agrícola y de laboratorio de suelos?
Mientras que las preguntas de investigación específicas en la búsqueda de la
calidad en el Laboratorio y en resultados confiables para la toma de decisiones adecuadas
en el uso óptimo y la conservación del suelo en la agricultura, provinieron de
cuestionamientos sobre:
¿Cómo conciliar ante una inmensidad de datos analíticos que se generan en el
Laboratorio de Suelos: el tiempo, la economía y lo práctico con la exactitud y eficiencia?
Además, si la textura del suelo resultante se relaciona con un sitio en particular,
así como con un uso y manejo específico para determinado cultivo ¿Cómo sistematizarla
espacialmente para una fácil interpretación del óptimo uso y manejo agrícola?
6
Justificación
La agricultura es una de las actividades más relevantes en el estado de Nayarit, así
como en diferentes entidades en el país, sin embargo sus rendimientos van en
decremento. Está documentado (Castellanos et al., 2000; Etchevers, Prat, Balboltín y
Martínez, 2006) que una alternativa para argumentar decisiones de manejo agronómico y
no solo aumentar la producción sino también coadyuvar a la conservación del suelo, es
conocer las condiciones en que se encuentran los terrenos a través de muestreos de suelo
y su análisis en laboratorio. Al respecto, se ha comentado que la textura es una variable
importante, de manera que su determinación ayudará a decidir sobre el manejo
agronómico más adecuado a determinado cultivo, como por ejemplo: los implementos
agrícolas convenientes en la preparación de las tierras, cómo deben aplicarse los riegos y
los fertilizantes, y entre otros, cuáles pueden ser los cultivos que más se adaptan a esas
condiciones de textura del suelo, lo cual se constituye en contribuciones apropiadas a la
sustentabilidad ambiental. Con estas estrategias, es posible aumentar rendimientos que
tan solo en frijol, principal cultivo en la región costera de Nayarit, pueden ser del orden
de 16.5 mil toneladas, que equivalen a aproximadamente 148.8 millones de pesos y a la
mejora del bienestar de más de 10 mil familias que viven del campo. Por otro lado, el uso
eficiente de la fertilización reduciría no sólo costos de producción en 10-30% como lo
menciona González (2010) sino también la pérdida de fertilizantes por lixiviación o
infiltración, con lo cual se evita que se contaminen los mantos freáticos en el subsuelo.
Asimismo, la agrupación de texturas permite considerar la posibilidad de cambio en el
uso del suelo hacia cultivos que puedan ser más rentables.
Con relación al laboratorio de suelo, la sistematización de procesos y de todos los
datos que se obtienen en las etapas analíticas para la determinación de la textura del
suelo, así como los cálculos matemáticos que se realizan con ellos, pueden permitir
eficiencia en tiempo, personal y costos, además de exactitud en los resultados.
7
En ambos sectores, como lo indican Masera, Astier y López (2000) la
información disponible de los recursos constituye uno de los elementos fundamentales
para la planeación, instrumentación, control y evaluación de programas productivos.
Ante esto, es relevante la vinculación interdisciplinaria de las Tecnologías de la
Información y Comunicación, por su capacidad de sistematizar procesos confiables para
automatizar la clasificación de texturas en el análisis de suelos, reduciendo riesgos de
error y aumentando eficiencia en tiempo y costos de inversión en el laboratorio, así como
para argumentar el uso óptimo de los terrenos dedicados a la agricultura.
8
III. Revisión de Literatura
El tema de este capítulo de revisión bibliográfica, se aborda desde cinco
perspectivas: 1) la importancia de las Tecnologías de la Información y Comunicación
(TIC), 2) la sistematización de procesos, 3) la manera en que las TIC se vinculan con
otras disciplinas formando parte de su interrelación, 4) la conceptualización de texturas
del suelo y su determinación en laboratorio, así como 5) la optimización de cultivos a
través de la textura del suelo.
Importancia de las tecnologías de información y comunicación
Las tecnologías de la información y comunicación son importantes debido a que
no solo proveen de hardware y software capaces de convertir, almacenar, proteger,
procesar, transmitir y recuperar grandes cantidades de datos e información; sino que
además buscan la reflexión de alternativas para el profesionista, empresas y para diversas
disciplinas, así como el impacto de cada una de ellas en la sociedad como lo indica
Elizondo (2009).
Al respecto Sorensen et al. (2011) señalan que parte fundamental de las
tecnologías de la información son los procesos de decisión automatizada. Sin embargo,
como bien lo afirma Joyanes (2009), lo anterior no puede lograrse sin la clara asimilación
del problema, de manera que una vez comprendido e interpretado de la forma correcta, la
serie de procesos que darán como resultados una solución, pasa a ser lo más importante
incluso antes de saber sobre que plataforma se puede desarrollar esa posible solución. A
esa relevancia de pasos que se integran en conjunto para la obtención de resultados es a lo
que Bowman (2000) conceptualiza como algoritmo. Por su parte, Sorensen et al. (2011)
describe cómo las tecnologías y sistemas de información son la parte medular de un
algoritmo y señala que el objetivo de este es especificar los requerimientos necesarios
para explora las alternativas que conduzcan a los objetivos deseados. En tanto que Moral,
Terron y Rebolloc (2011) hace valer el uso de algoritmos desde un enfoque
informáticamente sistematizado que puede manipularse de manera práctica en la hoja de
9
cálculo Excel; lo cual se constituye como parte fundamental en la resolución de
problemas, o bien en evolución de soluciones ya existentes para problemas reales, que fue
el caso de la presente investigación. Al respecto, Vilchez (2010) menciona también la
conveniencia de la implementación de modelos matemáticos en Excel por su facilidad,
más indica que queda limitada a la sintaxis que este software puede soportar.
En el entorno de sistemas de información geográfica y generación de cartografía
temática, existen diversos software. Así, para operar imágenes es versátil IDRISI
(Eastman, 1999) que permite de manera práctica reclasificar, sobreponer y realizar
algebra de mapas. Otros como FETEX (Ruiz et al., 2011) tienen como tarea la extracción
automática de características descriptivas de objetos geoespaciales a través de imágenes
multiespectrales. Ambos, en su medio, proveen información tanto a nivel local como
global. Conforme crece la necesidad de análisis a diferentes niveles; en ese mismo
sentido los modelos y las herramientas de apoyo a las decisiones son cada vez más
estructuradas en su programación para proporcionar la capacidad de simulación de toda la
zona, así como el análisis en un rango de escalas espaciales. Por ello, como lo señalan
Khawlie et al. (2005), Moral et al. (2011) y Yang et al. (2011), el desarrollo de un
sistema de gestión de datos que proporcione un acceso dinámico a grandes volúmenes de
datos georeferenciados es un desafío importante.
Con fundamento en lo anterior, las tecnologías y sistemas de información se han
utilizado en diversas situaciones como herramienta de planeación y toma de decisiones.
Importancia de la sistematización de procesos
En la correcta administración en el manejo de la información, es necesario generar
un sistema; es decir, un conjunto de pasos o actividades determinadas para la resolución
de un problema. Acorde con Oz (2001) un sistema es una serie de elementos que
funcionan en conjunto para alcanzar uno o varios objetivos en común, y se relaciona con
aceptar una entrada, procesarla, y producir una salida de manera organizada, lo cual se
traduce en resultados. Para Lardent (2001) la diferencia entre sistema y sistematización
10
de procesos radica en que el primero refiere a un conjunto de elementos ordenados que a
pesar de poder ser diferentes entre sí, tienen un fin común; mientras que el segundo es
también un conjunto de elementos pero como procesos, donde la finalidad es ordenar una
serie de actividades ya determinados, para cumplir con un fin mayor.
Bowman (1999), refiere a que cuando un problema tiene solución con base en la
computadora, implica una resolución algorítmica, lo cual permite contemplarlo como un
ciclo que se repite una y otra vez con sus respectivas constantes y variables. Esa
implementación del algoritmo para la resolución de un problema, significa sistematizar
los procesos necesarios para concluir con dicha tarea y lograr los objetivos que se
plantean. Para Cairo (2003), la comprensión de un problema bajo el enfoque de
tecnologías de información, da como resultado la sistematización de procesos, siendo
relevante el estudio de los elementos del problema así como de las alternativas de su
resolución. Al respecto, O’Brien y Marakas (2006), señalan que la ventaja de la
sistematización de procesos es la optimización de recursos, ya que el ordenamiento
eficiente y práctico de las tareas a realizar conduce a la reducción tanto de costos por
recurso laboral, como de tiempo y del número de errores humanos.
Por otro lado, Laudon y Laudon (2004) indican que existen diversos tipos de
sistemas, y enfatizan a los que dan soporte en la toma de decisiones directivas,
denominados como Sistema para el Soporte de Decisiones. Un factor clave en el uso de
estos sistemas es determinar la información necesaria que se maneja a través de sistemas
informáticos computarizados. Mientras que Senn (2005), hace hincapié en el Sistema
para el procesamiento de transacciones, donde una transacción es cualquier suceso o
actividad que afecta a toda la organización. De tal forma que, si dentro de las actividades
de transacción se aplica el concepto general de sistemas de información, además de
optimizar tiempo y costos, pueden obtenerse beneficios adicionales como el respaldo de
cada una de las transacciones realizadas, su clasificación y generación del resumen
correspondiente.
11
Las tecnologías de información y comunicación como vínculo interdisciplinario
En este subcapítulo se documenta cómo las tecnologías de la información se han
vinculado de manera amplia e innovadora en el sector agropecuario enlazando a diversas
disciplinas, de manera que las aportaciones no se restringen solo al uso de equipos
electrónicos y computadoras, puesto que actualmente van más allá de técnicas
inimaginables en décadas anteriores. Tal es el caso reportado por Nadimia et al. (2011)
que exponen en el área pecuaria el uso de dispositivos inalámbricos conectados a una red
informática, con fines de describir y entender el comportamiento de animales. De manera
similar Udumala et al. (2011), involucran la mecatrónica aplicada mediante un aparato
mecánico robotizado para monitorear el crecimiento de las copas de los árboles, y
determinar por ejemplo, cómo es que afecta la agitación del follaje.
Por su parte, Rakun et al. (2011) mencionan la relación de las tecnologías de
información y comunicación en laboratorios de fisiología de cosecha para pronosticar el
momento adecuado del corte de frutos, a través del monitoreo del análisis de textura de
los frutos, asociada a su diámetro, con proyección de rendimientos. En tanto que Zhao et
al. (2011) emplearon un modelo de simulación para detectar probabilidades de infección
primaria de la enfermedad mildiú en pepino bajo condiciones de invernadero, ya que la
detección de dicha etapa infecciosa es esencial en el control del patógeno, de tal forma
que el modelo de alerta temprana aplicable a esta fase supondría una base para la
prevención de enfermedades, en consecuencia la reducción del uso de plaguicidas.
En torno al recurso natural del agua y su vinculación con la agricultura, mucho se
ha requerido y en la misma magnitud se ha trabajado para el establecimiento de políticas
de irrigación adecuada y ahorro de agua. Pareciera asimismo que es donde se ha
apreciado más uso de las tecnologías de la información y comunicación a través de redes
informáticas. En dicho sentido, Zhang et al. (2011), a partir de métodos geoestadísticos
generó un método de calibración para el control de la humedad en suelos agrícolas, el
cual también integra el uso de las redes informáticas.
12
Por su parte Castellanos et al. (2000), enfatizan como técnica innovadora a la
aplicación de fertirrigación, conocida también como nutrición en riego por goteo, en la
cual es decisivo el equipo de cómputo y programas especiales para monitorear las
demandas de cultivos principalmente hortícolas. Por su parte, Vellidis (2008) las
incorpora al sector agrícola, mediante el uso de sensores inalámbricos que comunican sus
resultados de monitoreo de riego y temperatura del suelo al usuario, para la
administración correcta del agua en el cultivo de algodón. Mientras que Zhang et al.
(2011), utilizaron un método basado en el intercambio de información electrónica para la
detección de contenidos de agua del suelo en la agricultura. Por su parte, Feliu et al.
(2001) monitorearon la distribución de agua en los canales de riego. En tanto
Charoenhirunyingyos et al. (2011), generaron un modelo multicriterio para estimar la
humedad del suelo, a partir de técnicas de muestreo de suelo y el uso de sensores
remotos.
Por otro lado, aunque de uso indirecto en la agricultura, Jiang et al. (2009)
implementaron un sistema de monitoreo ambiental del agua basado en sensores
inalámbricos, el cual fue conformado por tres partes: nodos de monitoreo de datos,
estación de base de datos y centro de monitoreo remoto.
Entre otros temas, Kalator y Bialobrzewski (2001) fomentaron la interdisciplina
entre la agricultura, la mecánica y las tecnologías de la información al proveer a los
tractores de sistemas computarizados inalámbricos que sean capaces de reconocer y
registrar sobre qué tipo de suelo se está trabajando, así como los cambios que se generan
en ellos. Por su parte, Escolar et al. (2001) realizaron monitoreo para el momento
adecuado de la cosecha de frutos en función de su madurez. Mientras que Zhao et al.
(2011), emplearon sistemas electrónicos automatizados para supervisar la separación de
grano en cosechadoras combinadas, logrando con ello calidad y eficiencia en la etapa de
cosecha de diversos cultivos.
13
Finalmente cabe señalar que a nivel más detallado, se ha aplicado la dinámica de
fluidos computacionales en la producción masiva de microalgas, según Bitog et al.
(2011).
La conceptualización de texturas del suelo y su determinación en laboratorio
El suelo está constituido por partículas de diferentes tamaños, de tal manera que
como lo mencionan Medina et al. (2007), la textura del suelo se conceptualiza como la
proporción de arena, limo y arcilla, por lo que su representación numérica genera un
valor total de 100%.
Tx = A + L + R
donde,
Tx = Textura del suelo,
A = Arena en porcentaje
L = Limo en porcentaje
R = Arcilla en porcentaje
Las diferentes combinaciones de las partículas del suelo: arena, limo y arcilla, de
acuerdo a la combinación de la Food Agriculture Organization (FAO), generan 12
posibles clases texturales (Castellanos et al., 2000), mismas que fueron representadas en
un diagrama de clasificación denominado Triángulo de texturas (Figura 1), el cual
representa un triángulo graduado de 10 en 10 de cada lado, con valor de 0 a 100, en cuyo
interior se encuentran casillas que representan una clase textural de suelo según la
proporción de las partículas dominantes. De esta forma, las texturas del suelo adquieren
también un valor nominal, caracterizado por su composición cuantitativa de arena, limo y
arcilla.
14
Figura 1. Triángulo de texturas para clasificar tipos de suelo según su proporción de
partículas: arena, limo y arcilla. Castellanos et al. (2000)
El triángulo de texturas se utiliza de la siguiente manera: a partir de los valores
porcentuales de arcilla, limo y arena; se intercepta un punto en el triángulo, el cual
corresponderá a determinada casilla, misma que se relaciona con la textura que identifica
al suelo muestreado y analizado, según su proporción de partículas.
No obstante, es pertinente señalar que previo a este proceso de asignar la clase o
el nombre de la textura, existe una etapa en laboratorio, donde a través del método
denominado Determinación de Texturas por Hidrómetro de Bouyoucos (Marín, 2008), se
identifican las proporciones de las partículas del suelo. En este proceso es importante la
comprensión de que las partículas del suelo no están sueltas sino que forman agregados
que se tienen que destruir para separar las partículas individuales; por ello antes de
proceder a la extracción de las diferentes fracciones hay en laboratorio una fase previa de
preparación de la muestra formando una solución compuesta de agua, suelo y dispersante,
la cual a través del hidrómetro se utiliza para medir la densidad de las partículas en
15
suspensión. Asimismo, como lo indican Medina et al. (2007), debe tomarse en cuenta que
en el método de Bouyoucos, el control y registro de la temperatura en las lectura
analíticas es un elemento indispensable del método con la finalidad de realizar
correcciones por dicho factor.
Por lo anterior, el tipo de lecturas que se obtienen en laboratorio según el métodos
señalado, y con las cuales se realizan los cálculos manuales para determinar las
proporciones de arena, limo y arcilla se indican a continuación.
1) La primera lectura en el hidrómetro corresponde a la suma de partículas de
arcilla y de limo
2) Temperatura a la que se realizó la primera lectura
3) Segunda lectura, realizada dos horas posterior a la primera de acuerdo al
método oficial NOM-021-RECNAT-2000 (SEMARNAT, 2000) y,
4) Lectura de la temperatura a la que fue tomada la tercera lectura.
Una vez determinados los porcentajes de las partículas del suelo, se
procede a la identificación visual de la clase de textura correspondiente en determinado
suelo, a través del diagrama del Triángulo de texturas.
La optimización de la agricultura a través de la textura del suelo
Una vez que se identifica la clase de textura correspondiente a un determinado
suelo, el resultado se entrega al agricultor o al asesor técnico, quienes con fundamento en
la textura que caracteriza a su terreno, deciden el manejo agronómico conveniente para
determinado cultivo, ya que como lo indican Ruíz et al. (1999), la diversidad de texturas
de suelos permite que se produzca una amplia gama de cultivos; pero además, cómo lo
señalan Castellanos et al. (2000), dependiendo del tipo de textura se deciden las labores
de preparación, así como la fertilidad y humedad convenientes al terreno, puesto que
tiene relación con propiedades de retención de humedad. Mientras que para Medina et al.
(2007), se considera que un suelo tiene una textura adecuada cuando la proporción de las
16
partículas le brindan a la planta un soporte para un buen desarrollo radical y en
consecuencia una condición apropiada para la absorción de nutrimentos.
De esta manera se establece una relación importante entre el Laboratorio de
suelos y la Agricultura, de tal forma que un error en el laboratorio puede conducir, acorde
con Etchevers et al. (2006) y González (2011), a bajas en el rendimiento obtenido,
aumento en los costos de producción y, entre otros al deterioro del suelo; lo cual además
reduce las posibilidades de bienestar familiar y plantea riesgos de contaminación
ambiental por el mayor uso de plaguicidas cuando se establece un cultivo donde no se
tienen condiciones naturales para su producción.
17
IV. Objetivos
Objetivo general
Modelar y automatizar matemática y espacialmente la textura del suelo de
cualquier agrosistema para su sistematización, descripción, comprensión y aplicación en
la producción de cultivos.
Objetivos específicos
Sistematizar y automatizar la interpretación de la textura de muestras de suelo,
mediante modelos de programación y datos generados en laboratorio sobre la proporción
de sus partículas fundamentales: arcilla, limo y arena. Siendo posible superar en precisión
y calidad a por lo menos uno de los modelos ya existentes.
Generar cartografía sobre texturas del suelo para la planeación y la toma de
decisiones del mejor uso agrícola del suelo.
18
V. Hipótesis
Hipótesis general
A través de Tecnologías de la Información y Comunicación es factible modelar y
automatizar matemática y espacialmente variables de suelo como la textura de cualquier
agrosistema, para su sistematización, descripción, comprensión y aplicación en la
producción de cultivos.
Hipótesis específicas
Es factible sistematizar e interpretar de manera automática la textura de muestras
de suelo, mediante modelos de programación y datos generados en laboratorio sobre la
proporción de sus partículas fundamentales: arcilla, limo y arena. Siendo posible superar
en exactitud y eficiencia a por lo menos un modelo ya existente.
A través de un sistema gestor de base de datos de textura del suelo es posible la
transformación de estos en formato espacial para vincularlos de manera interdisciplinaria
a la planeación del mejor uso agrícola del suelo.
19
VI. Metodología
La metodología de estudio, siguió la dimensión de una perspectiva de
investigación sistémica e interdisciplinaria, a través de la interacción entre el área
agrícola, física-laboratorio de suelo y tecnologías de información y comunicación que
sirvieron de conexión entre los resultados de textura de suelo determinados en laboratorio
y su interpretación para su uso en el mejor manejo agronómico del cultivo. En este
sentido, la temática de la metodología utilizada se describe en cuatro tópicos,
relacionados con los procesos metodológicos para la operacionalización de las dos
hipótesis específicas planteadas; es decir, los criterios y procedimientos que guiaron la
investigación en la contrastación de dichas hipótesis: 1) Algoritmo para automatizar la
clasificación de texturas del suelo, que resume la sistematización de procesos, 2)
Indicador y variables de estudio en la generación del modelo matemático, donde se
puntualizan las variables utilizadas, 3) Proceso de evaluación del modelo matemático y
análisis estadístico, que contiene las pruebas estadísticas y, 4) Generación del modelo
espacial sobre texturas del suelo y su relación con la agricultura, donde se indica la forma
en que se generó el mapa de grupos de texturas y cómo se asocian estas al uso y manejo
óptimo del suelo.
Algoritmo para automatizar la clasificación de texturas del suelo
El algoritmo se conceptualizó en este estudio de manera concreta como un
conjunto de pasos que permiten obtener un resultado, por tanto fue básico su diseño como
hilo conductor de la presente investigación, tal y como ha sido enfatizado por Bowman
(2000) y por Joyanes (2009), para quienes el éxito de cualquier programación depende
del algoritmo. Mientras que la textura del suelo se consideró acorde con Castellanos et al.
(2000) y con Medina et al. (2007) como la proporción de arena, limo y arcilla que
caracterizan a las partículas del suelo, que asume un valor numérico de 100% y nominal
según la proporción en que se encuentran combinadas en el suelo las partículas.
20
MacTxi = ∫ (Algoritmo)
MacTx = modelo automatizado de clasificación de texturas.
i = n modelos evaluados.
Algoritmo = conjunto de pasos que se ejecutaron para automatizar la clasificación
de texturas del suelo.
Al respecto, la comprensión de los procesos para la clasificación de las texturas
del suelo y sus significaciones, desde la determinación analítica en laboratorio hasta los
resultados que se entregan para su uso en la agricultura, permitió estudiar el caso, y
proponer el algoritmo para generar un modelo automatizado de clasificación de texturas y
su agrupación en un modelo espacial. Así, en la Figura 2 se sintetiza el algoritmo
diseñado en esta investigación que dio como resultado la sistematización de procesos
para cumplir con los objetivos planteados. Puede apreciarse, que en efecto el punto de
partida es en concordancia con Cairo (2003), el entendimiento de la situación problema y
la identificación de las variables involucradas en torno a la textura del suelo. A partir de
ellas se establecieron los criterios y reglas de decisión en la combinación de variables que
condujeron a la automatización del modelo matemático, el cual se sometió a evaluación y
retroalimentación hasta lograr un mínimo de error dentro del periodo que comprendió la
investigación. En el algoritmo, se esquematizó también de manera secuencial la
generación del modelo espacial que se elaboró a partir de los datos geográficos sobre las
clases de textura que emite como resultado el laboratorio.
Indicador y variables de estudio en la generación del modelo matemático
La textura del suelo, cuya clasificación de manera automática en laboratorio es el
objetivo central de la presente investigación, se identificó como un indicador de
resultados, el cual es construido a partir de las variables de estudio e indica precisamente
la situación de las variables que lo conforman; es decir, en torno a él se evalúa si se
cumple o no con los objetivos.
21
Figura 2. Esquema del algoritmo que se diseñó para la generación del modelo
automatizado de clasificación de texturas
22
Con relación a las variables, que son las que definen los atributos o características
del indicador, se identificaron dos tipos: variables básicas y variables estimadas. Las
primeras refieren a las variables que se constituyen en el punto de partida para la
clasificación y valoración del indicador; las segundas, son las que se generan a partir de
las primeras.
De esta forma, las variables básicas fueron las cuatro lecturas analíticas que
mediante el método del Hidrómetro de Bouyoucos se registran en laboratorio en la
determinación de la textura:
1) La primera lectura en el hidrómetro corresponde a la suma de partículas de
arcilla y de limo, misma que está representadas en el modelo por J1
2) Temperatura a la que se realizó la primera lectura, representada por J2
3) Segunda lectura, que corresponde a las partículas de arcilla, representada por
J4 y,
4) Lectura de la temperatura a la que fue tomada la tercera lectura, representada
por J5.
Con los datos obtenidos en estas cuatro lecturas, se automatizaron los ajustes y
cálculos pertinentes ya establecidos en el método de Bouyoucos para estimar los
porcentajes de arena, arcilla y limo; mismos que se constituyeron en las variables
estimadas, representadas por C16, C17 y C18 respectivamente.
Acorde a la normativa de la técnica de Bouyoucus, se establecieron los criterios,
condicionantes y se definieron las reglas de decisión. Entre estos destacan dos:
1. El método analítico de laboratorio para determinación de texturas del suelo
permite la obtención de los porcentajes de arcilla (R) y limo (L), debido a que las
partículas de arena (A) por su mayor tamaño y peso se precipitan, de tal forma que la
23
proporción de arena se calcula por diferencia al 100% que representa la totalidad de la
textura del suelo.
A = 100 – (R + L)
2. En el modelo, las fórmulas matemáticas para calcular los porcentajes de arcilla
y limo así como de arcilla, llevan implícitas en cada caso, la multiplicación de la lectura
registrada en el hidrómetro ya corregida por temperatura, por un factor constante igual a
dos (constante = 2); debido a que en laboratorio, el proceso se realiza en 50 gramos (g) de
suelo, en lugar de los 100 g convenientes a la norma oficial, a razón de las dimensiones
estándares del hidrómetro.
(J1 + J3) * 2
(J4 + J6) * 2
donde,
J3 = corrección por temperatura de J1
J6 = corrección por temperatura de J4
Una vez establecidas las condicionantes y reglas de decisión, se procedió a la
sistematización y combinación pertinente de variables, así como a la definición de
fórmulas matemáticas mediante programación en la hoja de cálculo Excel, con lo cual se
generó el modelo propuesto para la categorización automática de las 12 posibles texturas
del suelo. Los pasos detallados se presentan como producto de la investigación en el
capítulo de resultados.
Proceso de evaluación del modelo matemático y análisis estadístico
El modelo generado fue sometido a dos tipos de pruebas con un número
determinado de datos, ejecutando el algoritmo de manera automática: 1) al interior del
modelo mismo, mediante prueba y error para mejorar su nivel de precisión, 2) al exterior
del modelo, comparándolo con otros dos modelos ya generados por otras empresas con el
24
mismo fin. En esta situación se implementó un análisis de varianza de los modelos para
definir el nivel de precisión del modelo generado en esta investigación, respecto a los
modelos de comparación, lo cual permitió la contratación de la hipótesis.
Análisis estadístico
Se realizó un análisis de varianza para la comparación de los tres modelos y
definir significancias.
MacTx1 ≠ MacTx2 ≠ MacTx3
Los modelos evaluados fueron:
1. Modelo automatizado de clasificación de texturas generado en la presente
investigación, que se denominó: MacTx-INIFAP-2011.
2. Modelo automatizado de clasificación de texturas generado en un laboratorio
externo: MacTx-Lab-Externo.
3. Modelo automatizado de clasificación de texturas generado en el INIFAP
Celaya en 2003: MacTx-INIFAP-2003.
Se consideró como unidad de estudio las lecturas registradas en 100 muestras de
suelo. El tamaño de la unidad de muestreo se decidió con fundamento en estudios previos
(Castellanos et al., 2000; González et al., 2009) que indican que en evaluaciones en
laboratorio esa dimensión permite situarse dentro de márgenes de error muy aceptables (p
≤ 0.01). Las muestras se seleccionaron de manera aleatoria entre aproximadamente 8,000
muestreos analizados en el Laboratorio de suelos del Campo Experimental Santiago
Ixcuintla, perteneciente al INIFAP. Se utilizaron 10 repeticiones por tratamiento, de tal
forma que cada modelo se evaluó en las lecturas de 1000 muestras de suelo. Esta fase fue
realizada por un TSU ajeno a la construcción del modelo con fines de evitar sesgos o
incertidumbre en la evaluación.
25
Las diferencias estadísticas entre los modelos se establecieron con p ≤ 0.05 a
través análisis de varianza y prueba de medias con la técnica de Tukey. El anterior nivel
de significancia representa la probabilidad de error o riesgo asumido, es decir, una
confiabilidad ≥ 95% de que los resultados obtenidos son consistentes y no se deben al
azar, de manera que la hipótesis no se rechace. Se utilizó el software Statistica V7
(Statsoft, 2003), el cual fue práctico y permitió el cálculo de la estadística descriptiva y
gráficos de dispersión de datos.
Generación del modelo espacial sobre texturas del suelo y su relación con la
agricultura
El modelo espacial sobre texturas del suelo se generó a partir del sistema de
información geográfica (SIG) ya generado por el CESIX-INIFAP, respecto a la
información sobre texturas del suelo, el cual proviene de un proceso de interpolación de
las aproximadamente 8,000 determinaciones de textura realizadas en el Laboratorio de
suelos del CESIX, durante el periodo de 2000 a 2004, cuya información mantiene
vigencia debido a que como lo indican Castellanos et al. (2000), la textura es un factor
del suelo que no es fácil de modificar a corto o mediano plazo.
El SIG sobre texturas del suelo del CESIX-INIFAP está disponible de manera
detallada para el municipio de Compostela, Nayarit, razón por la cual se utilizó dicho
municipio como ejemplo para la contrastación de la hipótesis correspondiente. El proceso
consistió en recuperar la información digital sobre las 12 categorías de texturas del suelo
en el sistema IDRISI V3.2, donde se procedió a reclasificar las texturas en tres grupos de
suelo, que son como lo indican Ruíz et al. (1999) los que de manera general se asocian a
las condiciones requeridas por determinados cultivos: fina, media y gruesa. Las clases de
textura que acorde con González et al. (2002) corresponden a cada grupo se presentan en
la tabla 1.
26
De esta manera se demuestra que los datos analíticos de textura, es posible
integrarlos a un SIG, cartografiarlos y agruparlos para asociarlos con los cultivos que más
se adapten a dicho grupo, fundamentándose por supuesto con información como la
documentada por Ruíz et al. (1999) sobre los requerimientos de aproximadamente 90
cultivos.
Tabla 1. Clasificación de las texturas del suelo en grupos texturales. González et
al.(2002)
Grupo de Texturas del Suelo
Clases de texturas
Gruesa Arena, Arena Migajosa, Migajón Arenoso
Media Franco, Migajón limoso, Migajón Arcillo Limoso,
Migajón Arcilloso, Migajón arcillo Limoso
Fina
Limo, Arcilla Arenosa, Arcilla Limosa, Arcilla
27
VII. Resultados y Discusión
Los resultados y su discusión se presentan a continuación acorde a los dos
planteamientos hipotéticos señalados, luego se relacionan de manera sinérgica para aludir
a la hipótesis general.
Modelo generado para automatizar la clasificación de texturas
El resultado principal obtenido en esta investigación es el modelo generado para
automatizar la clasificación de texturas, por ello a continuación se presenta su algoritmo
con la programación y cálculos matemáticos correspondientes, con la pertinente
aclaración de que el usuario en este caso es el técnico laboratorista o cliente empresarial.
El modelo inicia con las variables que influyen para determinar la textura del
suelo,
1) Primera lectura; dato que será insertado por el usuario en la celda J1.
2) Primera temperatura; dato que será insertado por el usuario en la celda J2
3) Segunda lectura; dato que será insertado por el usuario en la celda J4
4) Segunda temperatura; dato que será insertado por el usuario en la celda J5
Posteriormente, y según el método establecido para la determinación de texturas,
se obtiene:
Arena: la suma de la primera lectura más la primera temperatura es multiplicada
por dos; el producto se le restará a 100. Dicho resultado es arrojado en la celda C16 y se
convierte automáticamente en otra variable.
28
La fórmula a insertar en la hoja de cálculo de Excel para determinar el valor de
C16, es:
C16=(100-((J1+J3)*2))
Si se observa en esta primera fórmula, se encuentra J3 que corresponde a la
corrección de temperatura. Un valor que no depende del usuario; sino que se calcula
directamente de las variables J1 y J2 (primera lectura y primera temperatura
respectivamente).
Arcilla: La suma de la segunda lectura más la segunda temperatura es
multiplicado por dos. El producto se muestra en la celda C17 y es otra variable.
La fórmula a insertar en la hoja de cálculo de Excel para determinar el valor de
C17, es:
C17=(((J4+J6)*2))
De igual manera que en la fórmula anterior con J3, J6 tiene la misma razón de ser;
es decir, a lo que se le podría nombrar una segunda corrección de temperatura.
Limo: Depende del la resta de la suma de Arena más Arcilla, menos 100. Dicho
resultado corresponde a la celda C18.
La fórmula a insertar en la hoja de cálculo de Excel para determinar el valor de
C18, es:
C18=(100-(C16+C17))
29
Con estas tres variables que corresponden en las hojas de cálculo a las celdas C16,
C17 y C18 respectivamente, se pasa a declarar las condicionantes necesarias según indica
el triangulo de texturas.
Arena (Arenosa)
Arena (C16): Porcentaje mayor a 84 pero menor que 100
Arcilla (C17): Porcentaje mayor que 0 pero menor que 10
Limo (C18): Porcentaje mayor que 0 pero menor que 14
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>84,SI(K21<=100,SI(K22>=0,SI(K22<12,SI(K23>0,SI(K23<14,"Areno
so"))))))
Nótese que en la fórmula anterior, las variables C16, C17 y C18 han sido
sustituidas por K21, K22 y K23 respectivamente. Esto se debe a que las celdas C16, C17
y C18 ya han sido ocupadas previamente por una fórmula. De no sustituir dichas
variables, la condicionante que reconocerá dicha textura (y posteriores) no podrá entender
el valor numérico.
Entonces C16 = K21, C17 = K22 y C18 = K23
De cumplirse la condición anterior, “Arenoso” será el indicador.
Arenoso Migajón
Arena (C16): Porcentaje mayor a 70 pero menor igual que 88
Arcilla (C17): Porcentaje mayor igual que 0 pero menor que 15
Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 30
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>70,SI(K21<=100,SI(K22>=0,SI(K22<15,SI(K23>=0,SI(K23<=30,"Are
noso Migajón"))))))
30
De cumplirse la condición anterior, “Arenoso Migajón” será el indicador.
Migajón Arenoso
Arena (C16): Porcentaje mayor igual que 51 pero menor igual que 100
Arcilla (C17): Porcentaje mayor igual que 0 pero menor igual que 20
Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 50
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=51,SI(K21<=100,SI(K22>=0,SI(K22<=20,SI(K23>=0,SI(K23<=50,"
Migajon Arenoso"))))))
Franco
Arena (C16): Porcentaje mayor igual que 23 pero menor igual que 52.5
Arcilla (C17): Porcentaje mayor igual que 7 pero menor igual que 27
Limo (C18): Porcentaje mayor igual que 28 pero menor igual que 50
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=23,SI(K21<=52.5,SI(K22>=7,SI(K22<=27,SI(K23>=28,SI(K23<=50,
"Franco"))))))
De cumplirse la condición anterior, “Franco” será el indicador.
Migajón Limoso
Arena (C16): Porcentaje mayor igual que 0 pero menor igual que 51
Arcilla (C17): Porcentaje mayor igual que 0 pero menor que 27
Limo (C18): Porcentaje mayor que 49 pero menor igual que 88
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=0,SI(K21<=51,SI(K22>0,SI(K22<27,SI(K23>49,SI(K23<=88,"Migaj
ón Limoso"))))))
31
De cumplirse la condición anterior, “Migajón Limoso” será el indicador.
Limoso
Arena (C16): Porcentaje mayor igual que 0 pero menor que 20
Arcilla (C17): Porcentaje mayor igual que 0 pero menor que 12
Limo (C18): Porcentaje mayor igual que 88 pero menor que 100
=SI(K21>=0,SI(K21<=20,SI(K22>=0,SI(K22<=12,SI(K23>=88,SI(K23<=100,"L
imoso"))))))
De cumplirse la condición anterior, “Migajón Limoso” será el indicador.
Migajón Arcilloso
Arena (C16): Porcentaje mayor igual que 20.4 pero menor igual que 27
Arcilla (C17): Porcentaje mayor igual que 27 pero menor igual que 40.5
Limo (C18): Porcentaje mayor igual que 15 pero menor igual que 52
=SI(K21>=20.4,SI(K21<=45,SI(K22>=27,SI(K22<=40.5,SI(K23>=15,SI(K23<=
52,"Migajon Arcilloso"))))))
De cumplirse la condición anterior, “Migajón Arcilloso” será el indicador.
Migajón Arcillo Arenoso
Arena (C16): Porcentaje mayor igual que 45 pero menor igual que 80
Arcilla (C17): Porcentaje mayor igual que 20.5 pero menor igual que 35.5
Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 28
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=45,SI(K21<=80,SI(K22>=20.5,SI(K22<=35.5,SI(K23>=0,SI(K23<=2
8,"Migajón Arcillo Arenoso"))))))
32
De cumplirse la condición anterior, “Migajón Arcillo Arenoso” será el indicador.
Migajón Arcillo Limoso
Arena (C16): Porcentaje mayor igual que 0 pero menor igual que 20.5
Arcilla (C17): Porcentaje mayor igual que 27.5 pero menor igual que 41.5
Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 72.5
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=0,SI(K21<=20.5,SI(K22>=27.5,SI(K22<=41,SI(K23>=40,SI(K23<=7
2.5,"Migajón Arcillo Limoso"))))))
De cumplirse la condición anterior, “Migajón Arcillo Limoso” será el indicador.
Migajón Arcillo Arenoso
Arena (C16): Porcentaje mayor igual que 45 pero menor igual que 65
Arcilla (C17): Porcentaje mayor igual que 35 pero menor igual que 55
Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 20
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=45,SI(K21<=65,SI(K22>=35.5,SI(K22<=55,SI(K23>=0,SI(K23<=20,
"Migajón Arcillo Arenoso"))))))
De cumplirse la condición anterior, “Migajón Arcillo Limoso” será el indicador.
Arcillo Limoso
Arena (C16): Porcentaje mayor igual que 45 pero menor igual que 20
Arcilla (C17): Porcentaje mayor que 40 pero menor igual que 61
Limo (C18): Porcentaje mayor igual que 39 pero menor igual que 59.5
33
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=0,SI(K21<=20,SI(K22>40.5,SI(K22<61,SI(K23>=39,SI(K23<=59.5,"
Arcillo Limoso"))))))
De cumplirse la condición anterior, “Arcillo Limoso” será el indicador.
Arcilloso
Arena (C16): Porcentaje mayor igual que 0 pero menor igual que 45
Arcilla (C17): Porcentaje mayor que 45.5 pero menor igual que 100
Limo (C18): Porcentaje mayor igual que 0 pero menor igual que 38.9
Para que Excel pueda entender la condición anterior, se inserta:
=SI(K21>=0,SI(K21<=45,SI(K22>=40.5,SI(K22<=100,SI(K23>=0,SI(K23<=38.
9,"Arcilloso"))))))
De cumplirse la condición anterior, “Arcilloso” será el indicador.
Con este modelo MacTx-Lab-CESIX-INIFAP-2011, se produce en promedio un
error de 4.7% (s = 2.4), que comparado con los modelos MacTx-Lab-Externo (media =
9.5%; s = 6.3) y MacTx-Lab-INIFAP-2003 (media = 14.5% y s = 7.6), representa
respectivamente el 49.5 y 65.5% menos del error generado por el modelo de los otros
laboratorios. Además, la persona TSU que los evaluó señalo que los MacTx de los otros
laboratorios son más lentos (aproximadamente de 30-40% más de tiempo), debido a que
requieren más inserción manual de datos; por lo que el uso de MacTx-LabCESIX-
INIFAP-2011 es una alternativa para mejorar la precisión, así como disminuir tiempo y
costo, aspectos esenciales en un laboratorio. Por otro lado, si bien es cierto que un
laboratorio requiere como lo indican Castellanos et al. (2000) y Marín (2008) de
precisión en sus clasificaciones analíticas, el modelo LabCESIX-INIFAP-2011 es aún
factible de mejorarse al 100%; no obstante, no fue posible realizar otras evaluaciones
internas debido a que fue necesario ajustarse al tiempo de la estancia en la Empresa
INIFAP.
34
Evaluación del modelo generado para automatizar la clasificación de texturas
El análisis estadístico permitió identificar diferencias significativas (p = 0.0035)
entre los modelos evaluados (Figura 3). En tanto que con la prueba de medias (Tukey, p =
0.05) se definió que con un valor medio de 12% de error, los modelos Lab-Externo y
Lab-INIFAP-2003 fueron estadísticamente similares (literal b en la Figura 3) pero
significativamente diferentes a Lab-CESIX-INIFAP-2011(literal a en la Figura 3) que
registró media de 4.7% de error. Lo anterior permite verificar que en efecto:
MacTx1 ≠ MacTx2 ≠ MacTx3
Así como que MacTx-Lab-CESIX-INIFAP-2011 resultó ser estadísticamente el
mejor modelo. De manera que no se rechaza la hipótesis planteada en cuanto a que es
factible clasificar de manera automática la textura de muestras de suelo, mediante
modelos de programación y datos generados en laboratorio sobre la proporción de sus
partículas fundamentales: arcilla, limo y arena. Siendo posible superar en precisión y
calidad a por lo menos un modelo ya existente.
35
Figura 3. Análisis estadístico de los modelos evaluados para automatizar la
clasificación de texturas del suelo
Modelo espacial de las texturas del suelo y su asociación con la agricultura
El resultado del modelo espacial fue la cartografía sobre grupos de textura de
suelos que se realizó como ejemplo para el municipio de Compostela, Nayarit (Figura 4);
que como se indicó en su oportunidad, proviene de interpolaciones de aproximadamente
8,000 muestras de textura de suelo determinadas en el laboratorio del CESIX-INIFAP, de
manera que esta información geográfica se convirtió en el sistema gestor de datos. Este
resultado confirma lo expuesto por Shrestha et al. (2004), en cuanto a que los SIG son
una herramienta útil y práctica para manejar gran cantidad de datos, además de que su
expresión cartográfica es útil para diversas gestiones y para la toma de decisiones en
diversos sectores, aunque particularmente en este estudio se plantea su utilidad en la
agricultura.
36
Lo relevante del mapa generado (Figura 4), es que permite identificar acorde a la
condición de textura de suelo, las potencialidades naturales que puede tener un cultivo en
determinada área, incluso a nivel de sitio específico, sin obviar por supuesto que éste es
un solo un componente y que como lo indican Ruíz et al. (1999) y González et al. (2002),
existen otros factores importantes como el clima, que en su conjunto definen la
producción de un cultivo.
En el mapa puede apreciarse que la proporción de texturas que pertenecen al
grupo medio destacaron en el 54.6% del área. Tomado en cuenta lo que indican
Castellanos et al. (2000) de que las tierras que se ubican en este grupo se caracterizan por
buenas condiciones de aireación y drenaje; además de lo citado por González et al. (2002)
en cuanto a que dichos tipos de suelo tienen capacidad de retención de agua y
nutrimentos, entonces es de suponer que son suelos ideales para la producción agrícola,
sobre todo para el establecimiento de cultivos como frijol, maíz, camote, cártamo, chile,
ciruelo, soya, girasol, guayaba, Jamaica, plátano y limón; tal y como ha sido reportado
por Ruíz et al. (1999).
Se observa también en el mapa que, el 44.8% del área estudiada correspondió a
suelos de textura fina, mismos que como lo señalan González et al. (2002) no son fáciles
de labrar; es decir, de prepararlos para la siembra, sobre todo porque cuando llueve
mucho se reduce el movimiento de aire en el suelo y se anegan o inundan. Sin embargo,
como ha sido reportado por estos autores, así como por Marín (2008), los suelos que
pertenecen a este grupo de textura tradicionalmente han sido los de más alta fertilidad del
suelo, por lo que también tienen potencial de uso agrícola con cultivos como frijol, maíz,
caña de azúcar, piña y entre otros ciruelo, acorde a lo que mencionan Ruíz et al. (1999).
37
Figura 4. Mapa de grupos de textura de suelo en el Mpio. de Compostela, Nayarit
Finalmente, aunque en un área pequeña, se identificó 0.57% de los suelos que
pertenecen al grupo de textura gruesa. Es probable que este dato esté subestimado debido
a que el SIG se integró con determinaciones de textura de suelo obtenidas a partir de
muestreos en áreas agrícolas; de manera que tal vez no se encuentran representadas en su
totalidad las áreas con suelos arenosos de la costa. Lo anterior coincide con Khawlie et al.
(2005), quienes mencionan que los límites de los sistemas y en consecuencia de la
información que se genera con ellos, está en función no solo de la cantidad de los datos
sino también de su cobertura espacial. Por otro lado, este tipo de suelos, como lo señalan
38
Castellanos et al. (2000), González et al. (2002) y Marín (2008), son muy porosos y por
tanto retienen poca agua y nutrimentos, de manera que no son convenientes para la
producción de cultivos.
Por lo anterior, no se rechaza la segunda hipótesis planteada con relación a que el
sistema gestor de la base de datos de textura del suelo posibilitó la transformación de
estos en un mapa (formato espacial) que es de utilidad en la planeación del mejor uso
agrícola del suelo.
Vinculación interdisciplinaria del Laboratorio de suelo, la Agricultura y
Tecnologías de la Información y Comunicación
Los resultados mostrados sobre el modelo matemático automatizado para
clasificación de texturas del suelo y sobre el modelo espacial que permitió generar el
mapa sobre los grupos de textura, en su conjunto corroboran la hipótesis general
planteada en cuanto a que a través de Tecnologías de la Información y Comunicación es
factible modelar y automatizar matemática y espacialmente las variables de suelo de
cualquier agrosistema, para su descripción, comprensión y aplicación en la producción de
cultivos. Asimismo la presente investigación constituye una evidencia de que los
problemas deben de analizarse y resolverse desde un enfoque sistémico, que visualice la
integración de diferentes disciplinas.
En este caso en particular, el grupo interdisciplinario lo integraron tres áreas: 1)
Laboratorio de Suelo del CESIX-INIFAP que constituido en la Empresa, expuso una
necesidad real de disponer de una herramienta para hacer eficiente el proceso de
interpretación de sus resultados analíticos, 2) el área del sector de la Agricultura, que
demandó un mecanismo práctico para que los asesores técnicos puedan sugerir a los
agricultores el mejor uso del suelo a través de conocer qué cultivo puede adaptarse mejor
a sus terrenos; en tanto que, 3) Tecnologías de la Información y Comunicación, se
constituyó en el área que convino las herramientas para que los requerimientos de unos y
39
otros fueran disponibles, de manera que fungió como vínculo entre las disciplinas de
Física de suelos y la Agricultura.
De esta forma, la presente investigación contribuye a argumentar un caso más de
la diversidad de interacciones y herramientas prácticas que las tecnologías de la
Información aportan y benefician a los sectores productivos y empresariales, como ya ha
sido documentado por varios autores, entre ellos, Vellidis et al. (2008), Nadimia et al.
(2011), Yang et al. (2011) y Zhang et al. (2011).
40
VIII. Conclusiones
De acuerdo al enfoque sistémico adoptado en esta investigación, a través del área
de Tecnologías de la Información y Comunicación se logró una vinculación
interdisciplinaria del Laboratorio de Suelo con la Agricultura, en la búsqueda de
alternativas de producción sustentable.
Con relación a las metodologías utilizadas, las Tecnologías de la Información y
Comunicación mostraron que sus herramientas son variables (sistemas de datos, sistemas
de información y sistemas gestores, entre otros), y que en torno a un mismo componente
pueden poner a disposición de una empresa, diversos modos, usos y argumentos sobre un
mismo indicador, que en este caso fue la textura del suelo.
En base al modelo matemático implementado, se concluye que sí es posible con
alto grado de exactitud (4.7% de error), sistematizar y automatizar procesos como la
interpretación y clasificación de la textura de suelo que se determina de manera analítica
en laboratorio, para buscar la eficiencia en la obtención de resultados.
De los modelos evaluados, MacTx-CESIX-INIFAP-2011 generado en la presente
investigación superó significativamente en precisión (61%; p = 0.0035) y calidad (tiempo
y entrada de datos) a los modelos existentes (MacTx): Lab-Externo y Lab- INIFAP-2003.
Se infiere el reto constante de mejorar calidad y precisión.
Por otro lado se concluye que, la cartografía como modelo espacial permite
visualizar al componente evaluado en forma generalizada y a nivel de sitio específico; por
tanto el mapa de texturas agrupadas que se propuso, es un instrumento práctico para la
planeación y para argumentar la toma de decisiones sobre el mejor uso agrícola del suelo.
Con base en lo anterior se concluye que, sí fue posible diseñar un sistema de
información que logró modelar no solo a la necesidad de la empresa sino también al
proceso de toma de decisiones.
41
Finalmente, con relación a la Estadía, se cumplieron cabalmente los objetivos y
metas propuestas, ya que además de adquirir experiencia sobre la vinculación de la
carrera de Ingeniería en Tecnología de la Información y Comunicación con Empresas
fuera del ramo, fue posible con el apoyo y dirección permanente de la Empresa (CESIX-
INIFAP), así como con el esfuerzo y dedicación propias moldeados en al alma mater de
la Universidad Tecnológica de la Costa (UTC), estructurar esa interacción Empresa-
Estudiante en un Plan y Desarrollo de la presente Investigación en un tiempo record:
cuatro meses de la Estadía, aprovechados hasta el último día. Empresa-Estudiante-
Universidad, espacios y un tiempo conjugados para forjar crecimiento y desarrollo no
sólo profesional sino también de vida.
42
IX. Recomendaciones
Por lo anterior se sugiere a la Empresa en una segunda etapa, trabajar sobre una
programación que otorgue una plataforma diferente, para obtener resultados con un
margen de error nulo, que es lo que demanda cualquier Laboratorio. Dicha programación
pudiera ser implementada sobre lenguaje Java, el cual como lo señalan Ceballos (2008) y
Bell (2011), además de constituirse en multiplataforma, permitiendo su instalación en
sistemas operativos diferentes o requerimientos técnicos básicos sin ningún problema,
tiene la gran ventaja de adaptarse a usuarios sin previos conocimientos, pues utiliza
ilustraciones explicitas sobre el tema que se aborda. Asimismo, en el mejor de los casos,
donde dicho sistema logre una evolución significativa, puede instalarse en dispositivos
móviles.
Hacia la Universidad Tecnológica de la Costa, se sugiere que previo a las Estadías
se programen Seminarios de investigación, para que se den a conocer las ventajas y
factibilidad de establecer planes de investigación en la Estadía como meta para titulación,
lo cual fortalecería no solo la experiencia del estudiante sino también el prestigio
académico de la UTC, que aunque no hay duda sigue una línea ascendente, esta forma de
titulación convertiría a la UTC en pionera en estudiantes titulados bajo Programas de
Investigación en el periodo de la Estadía. En este sentido es importante enfatizar el
interés de la propia UTC en que lo anterior sea una realidad, y además porque en el caso
de este trabajo en particular, en la culminación de la investigación fue posible y decisivo
el contar con la anuencia del Director de la Carrera de Tecnologías de Información, del
Tutor Académico, así como de la Asesoría Académica.
43
Referencias Bibliográficas Bell, D. (2011). Java para Estudiantes. (6ª ed.). Mexico D. F.: Prentice Hall. Bitog J., P. Lee, I. B. Lee, C. G. Kim, K. S. Hwang, H.S. Hong, S. W. Seo, I. H. Kwon,
K. S. and Mostafata, E. (2011) Application of computational fluid dynamics for modeling and designing photo bioreactors for microalgae production. Computers and Electronics in Agriculture, 76 (2), 131 - 147.
Bowman C., F (2000). Algoritmos y estructuras de datos: Aproximación en C. México
D.F.: Oxford. Bunge, M. (1995). La ciencia, su método y su filosofía. Buenos Aires, Argentina:
Sudamericana. Cairo Battistutti, O. (2003). Metodología de la programación. México , D.F.: Alfaomega. Castellanos, J. Z., J. X. Uvalle B. y A. Aguilar Santelises. (2000). Manual de
interpretación de análisis de suelos y aguas. (2a ed.). México: ICAPA. Ceballos Sierra, F. J. (2008). Java 2 Interfaces Gráficas y Aplicaciones para Internet.
(3a ed.) México: Alfaomega. Charoenhirunyingyos, S. Honda, K. Kamthonkiat, D. and Amor V., M. I. (2011) Soil
moisture estimation from inverse modeling using multiple criteria functions. Computers and Electronics in Agriculture, 75 (2), 278 – 287.
Eastman, J. R. (1999). IDRISI for Windows. User Guide, version 3.2. Worcester, MA. :
Clark University Elizondo Callejas, R. (2009) Aplicación de las Tecnologías de la Información. México:
Grupo Editorial Patria. Escolar Díaz, S. Carretero Pérez, J. Calderon Mateos, A. Marinescu, M. C. and Bergua
Guerra, B. (2001) A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks. Computer and Electronics in Agriculture, 76 (2), 252 – 265.
Etchevers, J. D. C. Prat, C. Balbontín, M. B. and Martinez, M. (2006) Influence of land
use on carbon sequestration and erosion in Mexico: A Review. Agronomy for Sustainable Development, 26 (1), 21 – 28.
44
Feliu Batlle, V. Rivas Perez, R. Castillo Garcia, F. J. Sanchez Rodriguez, L. Linarez Saez, A. (2001) Robust fractional order controller for irrigation main canal pools with time varying dynamical parameters. Computers and Electronics in Agriculture, 76 (2), 205 – 217.
González Acuña, I. J. Ruiz Corral, J. A. y López Arriaga, J. G. (2002). Sistema Municipal
de Información Ambiental y del Potencial Productivo. Nayarit, México: INIFAP. González Acuña, I. J. Llanos Perales, A. Hurtado García, B. y Lang Ovalle, F. P. (2009).
Extracting potassium from mango leaves. Acta Hort., 820, 381 – 386. González Acuña, I. J. (2010). Sustentabilidad para el desarrollo rural en el municipio de
Compostela, Nayarit, México: Un enfoque de sistemas complejos. Tesis de grado doctoral. Colegio de Postgraduados, Campus Veracruz.
González Acuña, I. J. (2011) Potencial productivo de oleaginosas para la reconversión
productiva de la agricultura en la costa de Nayarit. Nayarit, México: INIFAP. Herrscher, E. G. (2005). Pensamiento sistémico: caminar el cambio o cambiar el camino.
Granica, Argentina. Jiang P., H. Xia, Z. He, Z. Wang. (2009). Design of Water Environment Monitoring
System Based on Wireless Sensor Networks. Sensors 9 (1), 6411-6434. Joyanes Aguilar, L. (2009). Algoritmos, estructura de datos y objetos. (3ª ed.) México:
McGrawn Hill. Kalator, B. and Bialobrzewski, I. (2001) A simulation model of 2WD tractor
performance. Computers and Electronics in Agriculture, 76 (2), 231 – 239. Khawlie, M. Shaban, A. Abdallah, C. Darwish, and T. Kawass, I. (2005). Watershed
characteristics, land use and fabric: the application of remote sensing and geographical information systems. Lake Reservoirs, 10 (2), 85 - 92.
Lardent A., R. (2001). Sistemas de Información para la gestión empresarial:
planteamiento, tecnología y calidad. Argentina: Prentice Hall. Laudon Kanneth, C. y Laudon, P., J. (2004). Sistemas de Información Gerencial. México,
D.F.: Pearson Prentice Hall. Marín García, M. (2008). Análisis Químicos de Suelo y Agua: Transparencia y
Problemas. España: Aula Magna. Masera O., Astier Calderon, M. y López Ridaura, S. (2000). Sustentabilidad y manejo de
recursos naturales. El marco de evaluación MESMIS. México: Mundi-Prensa.
45
Medina González, H. Coronado Garcia, J. y Acosta Núñez, D. (2007) El Método del hidrómetro: Base Teórica para su empleo en la Determinación de la Distribución del Tamaño de Partículas de Suelo. Revista Ciencias Técnicas Agropecuarias, 003 (16), 19-24.
Moral, F. J. Terrón, J.M. and Rebolloc, F. J. (2011) Site-specific management zones
based on the Rasch model and geostatistical techniques. Computers and Electronics in Agriculture, 75 (2), 223 - 230.
Nadimia, E. S. V. Blanes, V. Jorgensen, R. N. and Christensen, S. (2011) Energy
generation for an ad hoc wireless sensor network-based monitoring system using animal head movement. Computers and Electronics in Agriculture, 75 (2), 238 - 242.
O’Brien, J. y Marakas, G. (2006). Sistemas de Información Gerencial. México, D. F.:
Mc Graw Hill. Oz, E. (2001). Administración de Sistemas de Información. (2ª ed.). México, D. F.:
Thomson Learning. Rakun, J. Stajnko, D. and Zazula, D. (2011) Detecting fruits in natural scenes by using
spatial-frequency based texture analysis and multiview geometry. Computers and Electronics in Agriculture, 76 (1), 80 – 88.
Ruíz C., J. A., G. Medina G. I. J. González A., C. Ortiz T., H. E. Flores L., R. Martínez P.
Y K. F. Byerly M. (1999). Requerimientos Agroecológicos de Cultivos. Jalisco, México: Centro de Investigación Regional del Pacífico Centro.
Ruíz, L. A. Recio, J. A. Fernández Sarria, A. and Hermosilla, T. (2011) A feature
extraction software tool for agricultural object-based in image analysis. Computer and Electronics, 76 (2), 284 – 296.
SEMARNAT. (2000). Proyecto de norma oficial mexicana NOM-021-RECNAT-2000,
que establece especificaciones de fertilidad, salinidad y clasificación de suelos, estudios, muestreos y análisis. Diario oficial de la Federación, México.
Senn J., A. (2005). Análisis y Diseño de Sistemas de Información. (2ª ed.). México: Mc
Graw Hill. Shrestha, D.P., Zinck, J.A., Van Ranst, E., (2004). Modeling land degradation in the
Nepalese Himalaya. Catena, 57): 135-156. Statsoft, Inc. 2003. STATISTICA. Data Analysis Software System, version 7.
www.statsoft.com
46
Sorensen C., G. Pesonen, L. Bochtis D., D. Vougloukas S., G. and Suomi, P. (2011) Functional Requirements for a future farm management information system. Computers and Electronics in Agriculture, 76 (2), 266 – 276.
Udumala Savary, S. K. J. Ehsani, R. Salyani, M. Hebel, M. A. and Bora, G. C. (2011)
Study of force distribution in the citrus tree canopy during harvest using a continuous canopy shaker. Computers and Electronics in Agriculture, 76 (1), 51 – 58.
Vellidis, G. Tucker, M. Perry, C. Kvien, C. and Bednarz, C. (2008) A real time wireless
smart sensor array for scheduling irrigation. Computers and Electronics in Agriculture, 61 (1), 44 - 50.
Vilchez B., J. (2010). Excel Avanzado. México D. F.: Limusa S.A. de C.V. Yang, Y. Lloye T., W. Wang, J. and Xiaobao, L. (2011) Development of an integrated
Cropland and Soil Data Management system for cropping system applications. Computer and Electronics in Agriculture, 76 (1), 105 – 118.
Zhang Biao, R. Jing Jing, G. Lei, Zh. Ye Cheng, Z. Li-hong, W. and Wang, Q. (2011) A
calibration method of detecting soil water content based on the information-sharing in wireless sensor network. Computers and Electronics in Agriculture, 76 (2), 161 – 168.
Zhao, Z. Yaoming, L. Jin, C. and Jiaojiao, X. (2011) Grain Separation loss monitoring
system in combine harvester. Computer and Electronics Agriculture, 76 (2). 183 – 188.